南京航空航天大学人工智能学院成立两周年之际，学院于6月22日举办了人工智能线上学术报告会。会议邀请北京大学林宙辰教授、天津大学胡清华教授、南京大学吴建鑫教授、清华大学朱军教授、南方科技大学唐珂教授、国防科技大学侯臣平教授、中国科学技术大学刘淇教授和复旦大学付彦伟教授等专家做学术报告。会议采用腾讯会议在线上开展，并进行了同步直播。会议吸引了三百余人参加，取得圆满成功。

会议开始，陈兵院长代表学院感谢各位专家受邀进行报告。他表示，人工智能学院成立两年以来，在人才培养、科学研究、师资建设等方面取得了显著进展。本次会议专家们的精彩报告为师生们分享前沿成果，将进一步推动学院的科研发展。

林宙辰教授的报告介绍了一种用于训练前馈神经网络的高效优化方法LPOM，该方法在内存和计算速度上均有显著优势，可避免梯度消失和爆炸问题，且对函数性质要求更松，具有更广泛的适用场景。

胡清华教授以基于不确定性建模的分类回归学习为题，系统性地介绍了分类与回归两种典型学习任务中各类不确定性问题带来的挑战以及对应的建模方法，并结合不同实际任务介绍了研究动机与应用效果。

吴建鑫教授介绍了在卷积神经网络压缩方面的系列工作，在不损失或少损失准确率的前提下，显著降低CNN的算力和存储需求，使CNN模型可以方便的应用于移动环境等资源受限场景。

朱军教授针对复杂场景下智能决策面临的多智能体、环境未知等挑战，介绍了他们的最新研究，包括具有延迟更新的高效CFR算法、冲刺汤普森采样算法、融合CFR与后验采样的强化学习算法等。

唐珂教授围绕参数化这一许多人工智能任务中对性能影响巨大的关键难题，针对参数空间不平滑、不连续、评价数据缺失严重等挑战，系统性的介绍了具有较好泛化能力的参数化求解器方法。

侯臣平教授以动态特征挖掘为主题，从特征增减和特征累积等典型场景出发，介绍了安全使用新增特征的分类方法和任意特征缺失的多视图学习方法，并对动态特征挖掘问题进行了总结和展望。

刘淇教授以教育领域为背景介绍了从大规模异构学习数据中进行认知诊断和知识跟踪的机器学习模型，以及基于学习者认知画像的自适应学习路径推荐方法，以及在实际教育产品种的应用。

付彦伟教授针对小型网络直接进行训练可能会陷入局部最优的问题，介绍了一种基于逆尺度空间的微分包含方法来进行模型压缩，通过理论证明和实验结果验证其具有更好的全局收敛性。

会议最后，陈松灿教授进行了总结发言，并再一次感谢各位专家带来的精彩报告。

本次会议在疫情期间以线上报告形式成功举行，为学院师生带来了内容丰富、精彩纷呈的学术大餐，对促进人工智能学院的学术交流和科研创新具有重要意义。