成电讲堂

7月8日，由教师发展中心主办、信息与通信工程学院与生命科学与技术学院承办的“学者论坛”邀请宾夕法尼亚州立大学Vishal Monga教授作了题为“Embracing Data Imperfections Via Domain Enriched A”的学术报告。信息与通信工程学院余显祥副教授主持活动，吸引了众多师生参与。

报告中，Monga教授分享了其领导的信息处理与算法实验室（iPAL）的最新研究成果，重点探讨了如何通过领域知识增强的AI方法应对深度学习中的数据缺陷问题。他指出，传统深度学习模型在面对有限、低分辨率或噪声数据时表现受限，而融入统计估计与先验知识的领域增强方法，可以有效提升模型的鲁棒性和泛化能力。

Monga教授聚焦人工智能领域的前沿方向——算法展开，深入探讨了如何将深度学习模型的“黑箱决策”转化为可解释、可验证且具备理论保障的可信系统。并介绍了如何通过结构化先验知识优化深度神经网络架构，以解决图像处理与计算机视觉中的关键挑战。他指出，尽管深度学习在图像、语言等领域取得了显著突破，但其决策过程的不透明性严重限制了其在医疗等高敏感场景中的应用。算法展开通过显式展开传统优化算法的迭代逻辑构建神经网络，既保留了深度学习的性能优势，又提供了明确的决策路径与理论边界，为“可信AI”的实现供了新范式，在医疗健康与环境监测领域具有重要意义。

Monga教授详细阐述了算法展开的技术逻辑，强调其通过将优化算法的迭代过程转化为可训练的网络模块，实现了数据驱动的灵活性与数学可解释性的统一。这一创新为高风险场景的AI应用提供了“性能-解释-安全”的三重保障，具有重要的学术价值与应用前景。