CMaCH中心将举办“类脑智能与因果计算”专题研讨会
中国神经科学学会第十四届全国学术会议暨第七届第二次全国会员代表大会将于2021年9月16日－19日（周四-周日），在重庆悦来国际会议中心召开，预计参会人数3500人左右。上海交通大学认知机器与计算健康研究中心将在大会上举办“类脑智能与因果计算”专题研讨会（S36:Brain-like Intelligence and Causal Computing）。诚邀相关专家、学者参加专题研讨会。专题研讨会将于9月18日下午15:00-18:00 在一楼智悦厅举行。
详细演讲议程如下
首先，简介因果计算的基本问题，并从内在机制、外在观察与外引内应三个不同的视角，探讨因果关系的定义。然后，概述因果研究百年来的曲折发展史、以及因果探究主流现状脉络图，并试图回答机器学习研究中和主流统计学研究中，有哪些工作其实已经属于因果分析研究但未用其名？引入因果分析观点，将带来什么好处？最后，简介本团队在因果研究方面取得的若干成果。
通过脑机接口，人脑和外部设备之间可以直接进行交互，从而实现脑智能和机器 智能的融合，即混合智能。混合智能是人工智能一种新的形态和方向，具有广泛的应用前景。提高目标检测性能和实现多维控制是脑机接口研究的两大基本问题。我们首先介绍多种多模态脑机交互，包括基于 SSVEP 和 P300 的脑机接口，基于 P300 和运动想象的脑机接口，轮椅脑机协同控制系统等，这些脑机接口或者可 以提高目标检测性能，或者可以实现多维控制。然后我们介绍这些脑机接口两个 方面的临床应用：（1）意识障碍患者（如植物人等）的意识检测是一个难点问 题，主要原因是这些病人缺乏行为能力，认知水平低下。我们开发了多种脑机接 口,用于意识障碍患者（如植物人等）的意识检测,数字认知检测、临床辅助诊断 及康复预测，取得了良好效果。（2）面向严重的颈椎损伤的高位截瘫病人，我 们开发了环境控制系统。该系统集成轮椅、家电和护理床于一体，实现了脑控， 有效提高了这些病人的生活自理能力。
16:00-16:30 Huafu Chen, University of Electronic Science and Technology of China，脑空域信息传递Granger因果模型法
脑功能区之间是如何相互作用，即功能整合，脑疾病如何影响脑功能整合，以及随病程加重如何影响其它脑区域结构的变化，脑功能随时间演化的网络特征是当前脑信息探测研究的重要领域。报告主要介绍 Granger 因果方法和模型，脑运动执行系统的功能因果网络，精神疾病患者脑功能因果网络，精神疾病患者脑结构因果协变网络，揭示脑认知功能活动区域间信息传递特征，脑疾病引起脑区域间信息异常传递的特征。介绍部分精神疾病脑时变网络异常变化的特征。
人工智能是一种使能技术，具有内涵性、渗透力、支撑性等特点，与其他学科研究具备交叉的秉性，使之成为推动创新发展和科学发现的有力手段。本报告将结合药物合成和医学分析等领域，介绍面向科学计算的机器学习系统中物理建模、优化求解和加速计算等问题
Cross-domain images are multi-modality images of a certain object acquired
by different sensors. Cross-domain image reconstruction is the process of generating
images from another domain based on content relevance and expression
complementarity between different domains. In this talk, the cross-domain image
reconstruction mainly includes face sketch-photo synthesis and image super-resolution
reconstruction. This talk first introduces the background, significance and social needs
of cross-domain image reconstruction, and then takes sketch-photo synthesis and image
super-resolution reconstruction as examples to introduce the research status of crossdomain image generation and the latest research progress of our team on this topic.
Convolutional neural networks (CNNs) have been widely used as the backbone model
in computer vision. In recent years, network architecture innovations are pushing
forward the application of deep learning on mobile devices. This talk will introduce an
important line of research that improves the inference efficiency of deep networks with
dynamic architectures. Compared to the mainstream CNN backbones with static
components, dynamic models can change its depth/width/parameters during the
inference stage, conditioned on each input sample, thus leading to substantially reduce
computational redundancy. The advantages of dynamic models and possible future
directions will be discussed.