数据智能系列讲座第3期—交流式学习：神经网络的精细与或逻辑与人类认知的对齐-德赢Vwin官网网

鹭岛论坛

数据智能系列讲座第3期

「交流式学习：

神经网络的精细与或逻辑

与人类认知的对齐」

25日 20：00 精彩开播

期待与您云相聚，共襄学术盛宴！

| 直播信息

报告题目

交流式学习：

神经网络的精细与或逻辑与人类认知的对齐

报告简介

虽然近年来神经网络的可解释性研究得到了广泛的关注，但是神经网络中精细决策逻辑尚未得到有效的解释，学界对神经网络的评测依然停留在检验神经网络输出结果的层面。

对神经网络精细决策逻辑的量化评测，以及神经网络决策逻辑与人类认知的对齐，为可解释性基础理论提出了新的挑战，比如证明神经网络内在决策逻辑是否可以被严谨地解释为符号化的概念，如何量化神经网络的知识表征，等等。

本次报告将介绍如何在博弈交互理论体系下严谨地量化神经网络所建模的概念表征，证明解释的严谨性，进而对大模型安全性进行量化评估，实现神经网络的精细与或逻辑与人类认知的对齐。

报告嘉宾

张拳石

上海交通大学副教授

特邀主持

安竹林

中国科学院计算技术研究所副研究员

硕士生导师

讲座时间

2024年9月25日（周三）2010

讲座环节及流程

◈讲座环节：

① 5 分钟主持人进行主题与嘉宾介绍

②55分钟报告嘉宾讲座环节

③ 10分钟互动问答环节

◈讲座流程：

① 19:45 开芯会视频号上线，欢迎观众朋友提前进入直播间候场

② 20:00 主持人开场

③ 20:05 主讲嘉宾开始讲座，持续55min

注：【在讲座过程中欢迎观众朋友通过各直播平台进行提问工作人员将收集和整理问题】

③ 21:00主持人根据工作团队整理的问题与嘉宾进行问答互动，持续10min

讲座形式

视频号、B站、电子发烧友、

蔻享学术等

多平台同步直播

报告嘉宾

张拳石

上海交通大学电院计算机科学与工程系长聘教轨副教授，博士生导师，入选国家级海外高层次人才引进计划，获ACM China新星奖。他于2014年获得日本东京大学博士学位，于2014-2018年在加州大学洛杉矶分校（UCLA）从事博士后研究。张拳石在神经网络可解释性方向取得了多项具有国际影响力的创新性成果。张拳石承担了TMLR的Action Editor，NeurIPS 2024 Area Chair，CCF-A类会议IJCAI 2020和IJCAI 2021的可解释性方向的Tutorial，并先后担任了AAAI 2019, CVPR 2019, ICML 2021大会可解释性方向的分论坛主席。

主持嘉宾

安竹林

博士，中国科学院计算技术研究所副研究员，硕士生导师，中科（厦门）数据智能研究院副院长，CCF高级会员。专注于计算机视觉、人工智能等领域的研究工作，在相关领域的知名国际会议和期刊杂志上发表论文30余篇，申请发明专利20余项，为国家自然科学基金、中科院科技基金、国家重大专项子课题等多项项目的负责人。

声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表德赢Vwin官网网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。举报投诉

神经网络

神经网络

+关注

关注
42

文章
4771

浏览量
100708
数据

数据

+关注

关注
8

文章
7002

浏览量
88938

开源芯片系列讲座第24期：基于SRAM存算的高效计算架构

鹭岛论坛开源芯片系列讲座第24期「基于SRAM存算的高效计算架构」明晚（27日）20：00精彩开播期待与您云相聚，共襄学术盛宴！|直播信息报告题目基于SRAM存算的高效计算架构报告简介存算一体是一种

发表于 11-27 01:05 •207次阅读

开源芯片<b class='flag-5'>系列讲座</b><b class='flag-5'>第</b>24<b class='flag-5'>期</b>：基于SRAM存算的高效计算架构

直播预约 |数据智能系列讲座第4期：预训练的基础模型下的持续学习

鹭岛论坛数据智能系列讲座第4期「预训练的基础模型下的持续学习」10月30日（周三）20：00精彩

发表于 10-18 08:09 •210次阅读

直播预约 |<b class='flag-5'>数据</b><b class='flag-5'>智能</b><b class='flag-5'>系列讲座</b><b class='flag-5'>第</b>4<b class='flag-5'>期</b>：预训练的基础模型下的持续<b class='flag-5'>学习</b>

开源芯片系列讲座第22期：异步电路机制为RISC-V处理器赋能

鹭岛论坛开源芯片系列讲座第22期「异步电路机制为RISC-V处理器赋能」明晚（31号）20：00精彩开播期待与您云相聚，共襄学术盛宴！|直播信息报告题目异步电路机制为RISC-V处理器赋能报告简介

发表于 07-31 08:37 •390次阅读

开源芯片<b class='flag-5'>系列讲座</b><b class='flag-5'>第</b>22<b class='flag-5'>期</b>：异步电路机制为RISC-V处理器赋能

BP神经网络的学习机制

BP神经网络（Backpropagation Neural Network），即反向传播神经网络，是一种基于梯度下降算法的多层前馈神经网络，其学习机制的核心在于通过反向传播算法

发表于 07-10 15:49 •578次阅读

BP神经网络和卷积神经网络的关系

BP神经网络（Backpropagation Neural Network）和卷积神经网络（Convolutional Neural Network，简称CNN）是两种在人工智能和机器学习

发表于 07-10 15:24 •1432次阅读

BP神经网络和人工神经网络的区别

BP神经网络和人工神经网络（Artificial Neural Networks，简称ANNs）之间的关系与区别，是神经网络领域中一个基础且重要的话题。本文将从定义、结构、算法、应用及未来发展等多个方面，详细阐述BP

发表于 07-10 15:20 •1014次阅读

rnn是递归神经网络还是循环神经网络

RNN（Recurrent Neural Network）是循环神经网络，而非递归神经网络。循环神经网络是一种具有时间序列特性的神经网络，能够处理序列

发表于 07-05 09:52 •555次阅读

循环神经网络和卷积神经网络的区别

循环神经网络（Recurrent Neural Network，RNN）和卷积神经网络（Convolutional Neural Network，CNN）是深度学习领域中两种非常重要的神经网络

发表于 07-04 14:24 •1263次阅读

深度神经网络与基本神经网络的区别

在探讨深度神经网络（Deep Neural Networks, DNNs）与基本神经网络（通常指传统神经网络或前向神经网络）的区别时，我们需

发表于 07-04 13:20 •836次阅读

神经网络和人工智能的关系是什么

的定义 神经网络（Neural Network，简称NN）是一种受生物神经系统启发的数学模型，它通过模拟人脑神经元的连接和信息传递方式来实现对数据的处理和分析。

发表于 07-03 10:25 •1087次阅读

卷积神经网络训练的是什么

、训练过程以及应用场景。 1. 卷积神经网络的基本概念 1.1 卷积神经网络的定义卷积神经网络是一种前馈深度学习模型，其核心思想是利用卷积操作提取输入

发表于 07-03 09:15 •396次阅读

开源芯片系列讲座第21期：RISC-V IP创新为本土带来独特价值

鹭岛论坛开源芯片系列讲座第21期「RISC-VIP创新为本土带来独特价值」明晚（7月3号）20：00精彩开播期待与您云相聚，共襄学术盛宴！|直播信息报告简介当前，IP标准化与SoC集成

发表于 07-03 08:37 •279次阅读

卷积神经网络和bp神经网络的区别

化能力。随着深度学习技术的不断发展，神经网络已经成为人工智能领域的重要技术之一。卷积神经网络和BP神经

发表于 07-02 14:24 •3632次阅读

神经元与神经网络的区别与联系

在人工智能和机器学习的领域中，神经元和神经网络是两个至关重要的概念。虽然它们都与人脑中的神经系统

发表于 07-01 11:50 •915次阅读

详解深度学习、神经网络与卷积神经网络的应用

在如今的网络时代，错综复杂的大数据和网络环境，让传统信息处理理论、人工智能与人工神经网络都面临巨大的挑战。近些年，深度

发表于 01-11 10:51 •2021次阅读

搜索历史

数据智能系列讲座第3期—交流式学习：神经网络的精细与或逻辑与人类认知的对齐

评论

开源芯片系列讲座第24期：基于SRAM存算的高效计算架构

直播预约 |数据智能系列讲座第4期：预训练的基础模型下的持续学习

开源芯片系列讲座第22期：异步电路机制为RISC-V处理器赋能

BP神经网络的学习机制

BP神经网络和卷积神经网络的关系

BP神经网络和人工神经网络的区别

rnn是递归神经网络还是循环神经网络

循环神经网络和卷积神经网络的区别

深度神经网络与基本神经网络的区别

神经网络和人工智能的关系是什么

卷积神经网络训练的是什么

开源芯片系列讲座第21期：RISC-V IP创新为本土带来独特价值

卷积神经网络和bp神经网络的区别

神经元与神经网络的区别与联系

详解深度学习、神经网络与卷积神经网络的应用