报告一：Structured Representation Learning: Tensor NetworksPrinciples for Scalable and ReliableAI

摘要：张量网络（Tensor Networks）是将高维张量分解为多个低维张量网络的一种数学框架，在量子物理、高性能计算和应用数学领域已有深入研究。近年来，张量网络在大规模高维问题处理上的显著优势使其在机器学习和信号处理领域获得了越来越多的关注。本报告将从基本原理和算法视角出发，介绍张量网络技术用于机器学习的最新进展，重点关注其在深度学习模型中的效率、鲁棒性和可解释性等问题。

报告人简介：Qibin Zhao，2009年于上海交通大学获博士学位。2009至2017年任RIKEN脑科学研究所研究员，2017至2019年任RIKEN先进智能研究中心研究单元负责人，现任张量学习团队主任。研究方向包括机器学习、张量分解与张量网络、对抗鲁棒性等。发表科学论文200余篇，合著张量网络专著两部。担任NeurIPS、ICML等机器学习顶级会议领域主席，以及Neural Networks和Machine Learning期刊执行编辑。

报告二：Deep Learning Meets Brain-Computer Interface

摘要：本报告将通过两个代表性研究，阐述如何将深度学习方法更有效地融入脑机接口研究。第一个研究基于胶囊神经网络进行精神分裂症识别，揭示了将深度学习应用于神经影像信号识别时，不仅需要优化算法框架本身，更需要在模型设计中考虑生理特征（如脑解剖结构）。第二个研究聚焦心理负荷评估的迁移学习，通过子域自适应技术实现类别级特征的更好对齐，有效提升了跨会话迁移学习的效果。

报告人简介：Junhua Li，英国埃塞克斯大学计算机科学与电子工程学院副教授。研究方向为人工智能与健康领域的交叉，重点包括脑机接口、计算神经科学、神经生理数据分析及其实际应用。他是EPSRC Full College成员、UKRI Talent Peer Review College成员及EPSRC人工智能健康研究创新项目评审专家组成员。同时担任IEEE Transactions on Artificial Intelligence、Medical & Biological Engineering & Computing及IEEE Access三本期刊副主编。

报告三：Machine Learning in the Box: A Tensor Algebra View

摘要：如果说矩阵可以被直观地看作二维“矩形表”，那么其高阶推广——张量——则可被视为多维“立方体”。矩阵在机器学习中具有基础性地位，而随着数据和模型复杂度的不断提升，张量在表示和建模方面的优势日益凸显。本报告以张量奇异值分解相关研究为切入点，介绍张量方法在多维数据、参数和函数表示中的理论探索与建模实践，旨在为深度学习的理论理解与实际应用提供一个可选的视角和互补的路径。

报告人简介：Andong Wang，2019年获南京理工大学博士学位，2019至2022年任广东工业大学自动化学院博士后研究员，现为RIKEN先进智能中心研究科学家。主要研究兴趣包括张量分解与张量网络、可信机器学习及其在计算机视觉、机器人和量子机器学习中的应用。

报告四：Structured Tensor for Robust Decomposition, Recovery, and T2I Generation

摘要：张量是多维数据的天然表示形式，但其结构特性如稀疏性、低秩性和概率分布在许多问题中尚未得到充分利用。本报告聚焦结构化张量学习在三个任务中的应用：其一，提出多模态张量群稀疏模型用于鲁棒张量分解，以处理任意异常值；其二，引入新颖的重叠平均秩和隐式平均秩用于低秩张量补全，并给出统一的误差界；其三，将文本到图像生成的提示搜索表达为张量优化问题，利用非负张量链分解挖掘低秩损失景观。大量实验验证了结构化张量方法的优越性。

报告人简介：Yuning Qiu，2021年获博士学位，2023年起获RIKEN特别博士后研究员计划资助，任职于RIKEN先进智能中心。2016年首次加入RIKEN，曾任RIKEN脑科学研究所研究实习生。2021至2023年任研究员。研究兴趣包括基于张量的机器学习算法、理论与应用。

报告五：Advancing Robust and Trustworthy AI via Adversarial Purification

摘要：基于深度神经网络的人工智能取得了显著成功，但在安全关键应用中的部署引发了严重的安全担忧。深度神经网络易受对抗攻击，精心设计的小扰动即可误导模型产生错误甚至有害的输出。为应对这一挑战，本报告提出“净化对抗训练”（AToP）方法，在对已知和未知攻击均提升鲁棒性的同时支持实际部署。该方法进一步扩展到扩散模型和大语言模型，并针对不同模型架构设计了特定的防御策略。最后介绍基于优化方法的张量网络净化技术（TNP），无需大量训练或预定义扰动分布即可提升泛化能力。

报告人简介：Guang Lin，现为RIKEN先进智能中心特别博士后研究员，研究方向为可信机器学习和量子机器学习。担任NeurIPS、ICLR、ICML、AAAI、Neural Networks等多个顶级会议和期刊审稿人，获ICML 2024最佳审稿人奖和NeurIPS 2024顶级审稿人奖。

报告六：Effective and Robust Multi-view Learning

摘要：本报告聚焦无监督多视角学习中的关键挑战，介绍了一系列创新方法以提升多视角聚类的性能。通过建模多视角数据的一致性和互补性，设计了高效的表示学习模型，显著提升了聚类的准确性和稳定性。同时，针对模型易受对抗攻击的脆弱性问题，提出了增强模型鲁棒性的策略。这些研究为多视角数据挖掘提供了新的理论和技术支持，有效提升了模型在复杂场景下的泛化能力和鲁棒性。

报告人简介：Haonan Huang，RIKEN先进智能中心博士后研究员。研究兴趣包括对抗机器学习、无监督学习、多视角学习和张量学习。在IEEE JAS、IEEE TNNLS、IEEE TSMCA、ICML、NeurIPS、CVPR等主流SCI期刊和旗舰会议发表论文20余篇。担任NeurIPS、ICLR、ICML、CVPR等顶级会议及TNNLS、TSMCA等顶级期刊审稿人。

二、报告基本信息

报告时间：2026年6月1日（周一）8:30

报告地点：N5-410 ylzzcom永利总站线路检测报告厅