2026-01-20 20:59:03 
报告题目：基于动力系统的模型压缩
报告人：范凤磊
报告时间：2026年1月16日上午9点30分
报告地点：计算机与人工智能学院303会议室
尽管神经网络的提出初衷是模仿人类大脑，但当前深度学习的发展并未主要建立在对大脑认知机制持续深入理解的基础之上。作为迄今为止已知最为智能的系统，人类大脑在效率、可解释性、记忆能力等诸多方面，仍然显著领先于现有深度学习模型。基于此，从第一性原理出发，借鉴神经科学相关机制，始终可以为深度学习提供重要启发。
本次报告将围绕将基因瓶颈机制引入深度学习、并结合动力系统方法解决模型压缩问题展开讨论，探究如何借助更具理论支撑的方法提升模型压缩效率与智能系统性能。报告内容将从模型压缩的现实需求出发，结合神经科学启发、动力系统视角与深度学习方法，展示该领域在理论探索与方法创新方面的最新进展。
范凤磊，香港城市大学数据科学系助理教授，主要研究成果发表于JMLR、TPAMI、CVPR等人工智能和数据科学领域旗舰期刊与会议，发表论文二十余篇。其博士论文获国际神经网络学会（INNS）2021年杰出博士论文奖，四篇核心研究论文分别荣获2024年CVPR最佳论文奖候选、IEEE TRPMS最佳论文奖、ESI高被引论文以及IOP杂志北美地区高被引论文奖。他提出的基于动力系统的模型压缩方法荣获存储领域知名奖项奥林帕斯先锋奖，为香港地区首位获此荣誉者。
模型压缩、智能计算与复杂系统建模是当前人工智能研究的重要前沿方向，也与江西省经济预测与决策研究中心持续关注的数据建模、算法优化、智能分析和方法交叉创新等研究议题密切相关。本次报告将为基地师生了解智能计算方法前沿、拓展交叉研究思路、提升在人工智能与统计科学融合领域的研究能力提供有益启发，对于进一步活跃基地学术氛围、增强高水平学术交流具有积极意义。
