【人工智能专家讲坛】庄福振：迁移学习算法研究
浏览次数：
文章来源：
发布时间：2017-01-09
演讲题目：迁移学习算法研究
演讲人：庄福振
单位：中国科学院计算技术研究所
时间：2017年1月9日（星期一） 下午2:00
地点：前主楼 b510
报告摘要：迁移学习是一种新的机器学习方法，利用相关领域的知识对目标领域的问题进行求解。它缓解了传统机器学习的两个基本假设，即训练数据与测试数据满足独立同分布且必须有足够的训练样本来训练得到一个好的分类器。很多已有的迁移学习算法基于原始特征来做迁移，但由于原始特征上的分布不一致可能导致迁移学习算法性能不够理想。本报告主要从概念学习和特征学习的角度，研究迁移学习算法。我们试图发现源领域和目标领域共享以及特有的一些概念，且基于这些高层的语义概念做迁移，可以得到更加稳定和有效的迁移学习效果。利用目前非常流行的深度学习技术进行特征学习，从而提高迁移学习效果。大量的实验表明，基于概念学习和特征学习的迁移学习算法优越于所比较的算法。更进一步，研究基于集成学习的健壮迁移学习算法，有效地克服负迁移。
个人简介：
庄福振，副研究员、硕士生导师，于2011年7月在中国科学院计算技术研究所获得博士学位；2013年9月被聘为副研究员；中国人工智能学会机器学习专委会委员，中国计算机学会模式识别与人工智能专委会通讯委员。他主要从事机器学习和数据挖掘的相关研究工作，特别是在迁移学习研究以及并行数据挖掘方面，已经做出了一系列工作。相关研究成果已经在IEEE TKDE, IEEE TSMC-Part B, IJCAI, AAAI, ACM CIKM, IEEE ICDM, IEEE ICDE, ACM WSDM, ECML/PKDD等本领域顶级、重要国际期刊和国际会议上发表录用论文70余篇，其中SCI (或SCI源) 18篇，CCF B类以上31篇。获得了SDM2010和CIKM2010的最佳论文提名，Google Scholar总引660多次，hIndex 15。在并行数据挖掘方面，参与组织开发了中国最早的基于云计算的并行数据挖掘系统之一PDMiner，开发了一系列并行数据挖掘算法。已经申请专利7项，其中授权1项，另外获得软件著作权6项。承担和参与多项国家自然科学基金项目以及企业横向项目，入选2015年微软亚洲研究院青年教师“铸星计划”，获得2015年微软亚洲研究院合作研究项目资助和2016年百度松果计划支持。2013年获得中国人工智能学会优秀博士学位论文奖，指导学生获得人工智能顶级会议IJCAI2015数据挖掘竞赛第一名。连续四年获得中科院计算所优秀研究人员以及2015年度“卓越之星”。
