报告题目： 稳健自监督学习及其应用
报 告 人： 陈硕（南京大学智科院、博士生导师、姑苏青年教授，入选国家级高层次青年人才、市级领军人才）
报告时间：2026年4月23日（周四）15时00分
报告地点：C座622会议室
主办单位：科技处，研究生部，计算机与信息学院
报告主要内容：
自监督学习（特别是对比学习）的快速发展，使得视觉表示学习在不依赖人工标注的情况下取得了显著进展。然而，现有对比学习框架仍面临若干关键挑战，例如高维空间中的过拟合、假负样本对，以及难以捕捉数据中一致的关联结构等问题。这些问题限制了对比模型的鲁棒性和泛化能力，尤其在面向复杂现实任务时更为突出。为应对这些挑战，本报告将介绍一系列旨在提升对比学习可靠性的方法创新。具体而言，我们将介绍用于缓解维度灾难的低维对比学习、基于距离极化正则化的大边界对比学习以增强判别能力，以及基于交叉全变分的高阶差分正则化技术以捕捉一致的关联模式。在这些进展基础上，我们还将展示它们在零样本识别、多视角学习以及长尾标签小样本学习等多个应用领域中的实际效果。综上所述，这些研究成果为构建更鲁棒、更泛化且面向实际应用的自监督学习系统奠定了基础。
报告人简介：
报告人简介：陈硕，南京大学智科院、博士生导师、姑苏青年教授，入选国家级高层次青年人才、市级领军人才，主要从事机器学习与模式识别研究，尤其是表征学习、自监督学习、弱监督学习方面的算法理论与应用研究。博士毕业于南京理工大学，博士期间于美国匹兹堡大学公派留学联培，历任日本理化学研究所（RIKEN）博士后研究员、研究科学家、客座科学家。已在IEEE TPAMI/TIP/TNNLS等业内顶级期刊，以及ICML/NeuIPS/ICLR等国际顶级会议上发表论文60余篇，谷歌学术累积引用4000余次，两项一作成果被收录于Springer教材书本，曾获中国电子学会优秀博士论文奖、江苏省优秀博士论文奖、吴文俊人工智能科学技术奖优秀博士论文提名。受邀20余次担任NeurIPS/ICML/ICLR/CVPR/AAAI等多个国际顶级会议的领域主席（Area Chair）或高级领域主席（Senior Area Chair），长期担任Neural Network（中科院/JCR一区SCI、CCF-B类）等国际知名期刊的编委（Action Editor）。已主持国家自然科学基金项目2项、江苏省自然科学基金项目2项。
欢迎广大师生参加！