报告时间：2026年9月19日（星期六）16:00-18:00
报告地点：学术会议中心二楼小报告厅
报 告 人：徐宗本 院士
工作单位：西安交通大学
举办单位：计算机与信息学院、人工智能创新学院
报告简介：
“对称性是物理世界的核心准则，AI建模也应该遵循”，这是本报告希望阐明的核心观点。随着AI4S的深化应用，AI系统要求能够更加准确地模拟物理现象、符合物理机理、满足物理规律，在这一目标下，“描述对称性、保持对称性、生成对称性”是AI系统搭建的必须。本报告扼要介绍讲者所在团队在这一基本科学问题的探索上所取得的成果。
通过引进“保对称函数”和“数据对称性”概念，我们首先严格定义了“保对称机器学习问题”。与传统机器学习问题不同，保对称机器学习问题是一个约束在保对称函数族上求解的约束机器学习问题。求解这样的约束机器学习问题以存在“大量的符合对称性准则的数据对”为前提，换言之，以“训练数据集的对称性”为前提。我们证明，一个函数是保对称的当且仅当它是“等变的”和“不变量传递的”，以这两个可计算性指标为正则子，我们提出求解保对称机器学习问题的“对称正则化方法”。我们建立保对称机器学习的泛化性理论，特别证明，对称正则化方法不仅能够产生保对称的AI万有逼近器，而且能够显著提升传统机器学习的泛化性，而提升程度正比于训练中所使用的变换群规模。
将所建立的保对称机器学习理论与方法用于图像处理和AI4S（算子学习）两类典型问题，获得了解决同类问题当前的最好（SOTA）结果，展示了新理论与新方法的强大威力。图像处理是已知交换（如旋转、平移）的保对称问题，对这种特别情形，我们提出对称性诱导的群升维图像Patch Embedding方法、群卷积深度网络模型（SP-CNN）、保对称的等变ViT，和对称Mamba版本，成功实现了对图像处理大模型各个模块的“对称化改造”。实验证实，经如此对称化改造后的图像处理各模块/大模型都达到了当前SOTA性能。不仅如此，对称化改造还带来近乎成倍的计算效率提升。AI4S是已知守恒律而数据集不必对称的问题，对此我们提出“对称化”方法，即通过将守恒的模拟数据集增广到对称数据集，然后通过保对称建模获得保对称估计，最终由对称估计生成保守恒律的估计。我们证明，这种AI4S对称化方法较PINN方法有不可比拟的优势。
保对称机器学习/深度学习是AI的一个新方向，有诸多理论、技术与工程问题值得研究。报告结尾提出这样的系列问题。
报告人简介：
徐宗本，中国科学院院士，数学家、西安交通大学教授。主要从事应用数学、数据科学、人工智能的基础理论研究。曾提出稀疏信息处理的L（1/2）正则化理论，为稀疏微波成像提供了重要基础；发现并证明机器学习的“徐-罗奇”定理，解决了神经网络与模拟演化计算中的一些困难问题，为非欧氏框架下机器学习与非线性分析提供了普遍的数量推演准则；提出基于视觉认知的数据建模新原理与新方法，形成了聚类分析、判别分析、隐变量分析等系列数据挖掘核心算法， 并广泛应用于科学与工程领域。曾获国家自然科学二等奖（2次）、国家科技进步二等奖、陕西省最高科技奖；国际IAITQM理查德·普莱斯（Richard Price）数据科学奖；中国陈嘉庚科学奖、华罗庚数学奖、吴文俊人工智能最高科技成就奖、苏步青应用数学奖；曾在2010年世界数学家大会上作45分钟特邀报告。
曾任西安交通大学副校长，现任鹏城国家实验室广州基地/琶州实验室（黄埔）主任、陕西国家应用数学中心主任、西安交通大学数学与数学技术研究院院长、大数据算法与分析技术国家工程实验室主任等。是国家大数据专家咨询委员会委员、国家新一代人工智能战略咨询委员会委员。
