报告时间：2020年8月7日（周五）19:00开始
报告地点：腾讯会议在线报告
会议链接：//meeting.tencent.com/s/p2vzpWwju5wn
会议 ID：619 860 024
系列课程讲座题目4：A Perfect Balance between Memory Limitation and Solution Quality in AI Uninformed Searching
课程讲授人：Chen Shengyuan（加拿大约克大学 教授）
报告摘要： Most AI uninformed search algorithms cannot achieve optimality with a low profile memory requirement. As of today, memory is still one of the bottlenecks for large scale problems, especially in the big data problems. How to generate quality solutions with limited memory is a common problem faced by computer scientists, computational mathematian, operations researchers, etc. In this seminar, we explore in depth an amazing algorithm which hits the balance with a surprisingly simple Python implementation. Hopefully this elegant algorithm could trigger inspirations on solving other memory demanding problems.
报告人简要： Chen Shengyuan，加拿大约克大学数学与统计系教授。 陈教授于1997年在吉林大学获管理科学学士学位，2004年在英属哥伦比亚大学（UBC）获管理科学硕士学位，2008年毕业于美国西北大学工业工程和管理科学专业，获博士学位。2009年在IBM人工智能研究中心从事博士后研究工作。2010年至今在约克大学数学与统计系工作。陈教授的研究方向为深度学习、优化研究。特别是在不确定情性下的优化（例如：综合风险和决策建模，稀疏网格情景生成等）和深度学习神经网络的大规模优化等方面，作了大量研究工作。在SIAM Journal of Optimization、J. Optimization Theory and Applications、Optimization Method and Software等国际一流期刊上发表了20多篇论文。
