“人工智能+”高端讲坛系列第5期——聚焦信息论学习与类脑计算新前沿

2024年11月16日下午14:30，成都理工大学计算机与网络安全学院在东区教学楼E1B214举办了“人工智能+”高端讲坛系列第5期活动。本次讲堂特别邀请到了西安交通大学的陈霸东教授，带来了题为“基于信息论学习的类脑计算、脑机接口以及脑疾病诊断”的精彩报告。讲座内容丰富多样，涵盖了信息论学习、类脑计算、脑机接口和脑疾病诊断四大领域，吸引了众多师生的积极参与。

讲座伊始，陈霸东教授介绍了信息论在机器学习领域的应用及其重要性。他指出，信息论作为一门基础理论，不仅在传统通信领域有广泛应用，还与现代机器学习方法密切相关。陈教授系统阐述了六大信息论学习准则，包括最小误差熵准则、信息瓶颈准则、相关信息准则、信息最大化准则、率失真准则和最大熵准则。这些准则为构建新的机器学习目标函数提供了理论支持，有助于提升模型的可解释性与鲁棒性。

特别值得一提的是，陈教授详细讲解了最小误差熵学习算法及其在应对噪声干扰方面的强大性能。他结合经典的香农信息论，介绍了Renyi熵和2阶信息势等概念，阐述了如何通过量化误差熵提升学习算法的鲁棒性，并展示了该算法在自适应滤波、点集配准和多智能体强化学习中的应用实例。

在讲座的第二部分，陈教授转向类脑计算领域。他强调，传统的人工神经网络在深度学习中的泛化能力和鲁棒性上存在局限，而基于信息论学习的类脑计算方法显著提升了深层脉冲神经网络的性能。此外，他还展示了类脑计算在事件驱动光流估计和在线持续学习中的实际应用，进一步证实了该技术在解决复杂动态环境问题中的潜力。

接下来，陈教授介绍了脑机接口技术的最新进展，探讨了如何通过脑信号解码实现大脑与外部设备的直接通讯。他重点讲解了基于信息论学习的脑信号解码算法，如偏最大互相关熵回归（PMCR）和最小误差熵格兰杰因果分析（RMEE），展示了其在脑电信号分类中的卓越表现。陈教授指出，脑机接口技术的突破将为医疗康复和人机交互领域带来深远影响。

在最后的专题分享中，陈霸东教授聚焦于脑疾病的诊断技术。他详细介绍了抑郁症、自闭症和精神分裂症等脑疾病的诊断挑战，尤其是在泛化性和可解释性方面的难题。为了应对这些挑战，陈教授提出了利用图神经网络和信息瓶颈理论来提升诊断的准确性和可靠性。他还分享了多中心抑郁症数据集的应用案例，展示了如何通过因果图神经网络（CI-GNN）实现对脑疾病的精准诊断。

讲座结束后，现场师生踊跃提问，陈教授耐心解答了大家关于信息论学习与脑机接口技术的各种问题。互动环节气氛热烈，充分展示了学术交流的魅力。本次讲堂内容前沿，学术性强，不仅拓宽了与会者的学术视野，也为今后人工智能与脑科学的跨学科研究合作奠定了基础。

成都理工大学“人工智能+”高端讲坛系列讲堂旨在推动学术交流，促进人工智能技术在各领域的广泛应用。未来，学院将继续举办更多此类高水平讲座，为师生提供与前沿科技接轨的学习平台。