报告一题目：单细胞和空间组学的人工智能算法

报告时间：2024年11月21日10:30-11:00

报告地点：计算机学院B404会议室

报告人：田天

报告人单位：武汉大学计算机学院

报告人简介：田天，武汉大学教授、博导、国家级高层次人才，本科毕业于武汉大学，后前往纽约大学攻读计算机科学硕士学位，在新泽西理工大学获得计算机科学博士学位，在宾夕法尼亚大学Hakon Hakonarson课题组从事博士后研究。课题组致力于生物大数据的人工智能算法开发，围绕“生物组学数据中的高噪音、高维度、多组学融合、批次多样性等计算挑战”的关键科学问题，开发了一系列创新人工智能算法。同时将创新算法应用于实验数据挖掘与分析进而帮助解决重大生物医学问题。近年来共发表SCI学术论文30余篇，包括 Nature Methods、Nature Machine Intelligence、 Nature Communications、Genome Research、EBioMedicine等，合作成果发表于Nature Medicine、Cancer Discovery、PNAS等，Google Scholar总引用3100余次。担任Frontiers in Genetics和BMC Bioinformatics等期刊编辑，并在Briefs in Bioinformatics、Neural Networks等多个期刊和会议担任稿人。

报告摘要：单细胞测序和空间测序技术的发展快速推动了生物医学研究，但是对数据分析和建模仍然是计算上的挑战。高通量组学数据中存在着高维度、高噪声、批次多样性以及多组学数据融合等的计算挑战。同时，空间组学中还需要考虑生物组织中复杂、多样化的空间结构。因此对高通量组学数据正确的解码和建模，对数据分析有重大影响。为了应对这些挑战，我们开发了多任务人工智能算法分析高通量组学数据。解决前沿生物医学问题的同时推进算法创新，提供高效的算法工具箱。

报告二题目：小样本视觉理解方法研究

报告时间：2024年11月21日11:00-11:30

报告地点：计算机学院B404会议室

报告人：韩梦雅

报告人单位：武汉大学计算机学院

报告人简介：韩梦雅，博士，现为武汉大学计算机学院博士后研究员。2023年获武汉大学博士学位，并于2024年入职武汉大学计算机学院。其主要研究方向为小样本学习、计算机视觉和多模态理解的理论与应用。已在人工智能领域的国内外高水平期刊与会议上发表论文8篇（包括IEEE Transactions期刊、CCF A类会议等），并获得3项国家发明专利授权。多次担任国际学术期刊和会议（如IEEE TMM、IEEE TNNLS、ACM MM等）的审稿人。获国家资助博士后研究人员计划B档资助，现主持国家自然科学青年基金1项、中国博士后面上基金1项。

报告摘要：小样本视觉理解是计算机视觉领域的关键研究方向，旨在解决标注样本有限情况下的学习与泛化问题。传统深度学习方法依赖大规模、高质量的标注数据，难以在样本稀缺的场景中发挥有效性能，尤其是在处理新类别或特殊任务时面临显著挑战。本次报告聚焦于该领域的两个关键任务：小样本图像识别和小样本部位分割，探讨在标注样本稀缺的条件下，如何通过元学习、迁移学习范式及多模态信息等，提升模型的识别能力和部位分割的准确性。