2017年7月17日-18日，由主办，自动化学报编辑部、中国科学院自动化研究所复杂系统管理与控制国家重点实验室承办的第1期智能自动化学科前沿讲习班在中国科学院自动化研究所成功举办。

本期是首次举办的讲习班活动，以“生成式对抗网络GAN技术与应用”为主题，邀请了学术界和工业界从事该领域前沿研究工作的8位学者，全面介绍GAN技术与应用的研究进展，并探讨相关技术的发展趋势。本期讲习班为从事生成式对抗网络技术与应用研究的科研人员提供了在短时间内快速了解前沿和最新研究并与同行探讨交流的平台，来自全国31个科研机构和高校的研究人员参加了此次活动。

   7月17日上午，中国科学院自动化研究所王飞跃教授为大家带来了讲习班的第一个报告“生成式对抗网络GAN的研究进展与展望”，介绍了GAN的基本思想，综述当前GAN的理论和应用发展情况，从构造“数据-知识”闭环的角度，对如何结合GAN与平行学习等新思想、AI技术的发展及其对社会的影响等问题进行了探讨。随后，国立台湾大学（位于中国台北）李宏毅教授讲述了“二次元动漫人物头像生成”，从结构学习谈起，介绍了结构学习与GAN的联系，详细介绍了使用GAN生成动漫头像的过程，包括动漫头像的获取、GAN结构的设计、模型的训练以及提升模型性能的技巧等，最后介绍了GAN在自然语言处理领域的应用和一些研究成果，以及所面临的困难及挑战。

7月17日下午，哈尔滨工业大学左旺孟教授以“多领域视觉数据的转换、关联与自适应学习”为主题，结合图像转换、图像编辑、多领域视觉数据关联与领域自适应学习等应用问题，介绍了生成式对抗网络的进展及其在图像转换、属性关联及领域自适应方面的应用，探讨多领域视觉数据在数据层、特征层和决策层联合利用的可行方案。中科院自动化所王坤峰副研究员做了“GAN与平行视觉”的报告，首先指出传统视觉研究方法在数据获取、模型学习与评估上存在不足，产生了虚实互动的平行视觉方法，详细介绍了平行视觉的概念、框架、理论和技术，以及平行视觉在智能车辆和智能监控方面的研究成果；然后介绍了平行视觉的重要分支——平行图像，以及实际图像“小数据”→平行图像“大数据”→特定“小知识”的技术流程；在此基础上，详细介绍了典型的GAN模型，包括从GAN到BEGAN（图像生成）、SimGAN（图像改善）、CycleGAN（图像转换）等，总结了GAN的研究进展以及与平行视觉的结合点，指出今后的研究方向。

7月18日上午，University of Central Florida的Guojun Qi教授作了“The Landscape of Regularized Generative Adversarial Networks： Algorithms, Theory and Generalizability”的报告，介绍了一种新颖的损失敏感GAN网络—LS-GAN，分析了LS-GAN得到的生成样本密度和真实样本密度的一致性，证明了LS-GAN可以解决梯度消失问题，并给出了无监督LS-GAN扩展到基于给定条件生成样本的条件模型及其应用。微软亚洲研究院的秦涛主管研究员作了“从单智能体学习到多智能体学习：GAN，对偶学习等”的报告，从协同式多智能体学习、竞争式多智能体学习、协同和竞争共存式多智能体学习三方面，阐述了微软亚洲研究院关于多智能体学习的最新研究，讨论了对偶学习如何提高学习效率，包括从未标记数据中学习（双向无监督学习）、从已标记数据中学习（双向监督学习）和推理（双向推理），并介绍了对抗神经机器翻译的相关工作。

7月18日下午，华东师范大学的孙仕亮教授以“概率多视图多标签学习与自编码变分推理”为题目，首先回顾多视图学习的代表性方法，然后针对一类具体的问题——多视图多标签分类，介绍研究进展。针对多视图多标签分类问题，介绍了目前的经典做法以及伯努利混合模型，并提出了基于潜变量的条件混合模型。为了解决新模型的推理与学习问题，提出了基于自编码变分推理和随机优化的训练算法。最后，用具体实验结果对各种相关方法的性能进行了对比。上海交通大学倪冰冰副教授以“面向图像序列的生成技术及应用初探”为题目，介绍了对抗生成网络运用于序列数据所面临的主要技术难点与挑战，提出面向图像序列的生成技术的基本概念、原理、与技术路线。其次，介绍了序列生成技术的几项最新的应用实例，即基于景深序列的风景画生成技术、基于骨架序列的人物运动视频生成技术、面向多人互动的运动视频生成技术，详细讨论这些算法的优劣，并探索未来可能的算法改进方向。

8位讲者的精彩报告结束后，参会者踊跃提问，并与同行们进行交流讨论。 

欢迎继续关注智能自动化学科前沿讲习班后续课程！

《自动化学报》编辑部  供稿