题  目：机器感知：理论、优化和应用

内容简介：机器感知是统计学习和机器学习的一个重要基础，它为支持向量机网络和人工神经网络训练提供了函数逼近，并派生了可被控制的样本复杂度和泛化误差。半空间学习是感知器在球形假设上的假设修剪过程，这一过程被证实，在主动修剪下，样本复杂度的界可呈现指数级下降。为此，主动学习理论成为泛化分析的重要组成，并指导监督训练、贝叶斯逼近、蒙特卡洛采样等。例如，从统计优化角度，主动学习是关于统计A, B, C, 和T优化设计的解决方案；在贝叶斯优化中，主动学习又是希尔伯特空间的测地线搜寻和核心集构造。但主动学习并不是对机器学习模型的最优控制。为此，我们考虑了机器学习的新一代研究瓶颈：黑盒机器教学，即在未知分布和先验下，寻求训练集的封闭解。为寻求该问题的解决方案，我们探索了欧式空间和非欧空间，研究了庞加莱和黎曼鞍型，并得到了一些寻找封闭查询集的解决方案。受理论和优化的结果影响，我们扩展至分布优化的应用子问题：测地线搜索下噪声规避和未知分布外边缘匹配等，并在进一步探索中。

报告人：吉林大学  曹晓锋  博士

报告人简介：澳大利亚人工智能研究院|悉尼科技大学博士毕业。2021年通过吉林大学海外人才计划准-长聘系列引进回国，现工作于吉林大学人工智能学院，博士生导师，机器感知课题组负责人。主要研究方向是机器学习，具体包括：1）理论: 为模型不可知算法（Model-agnostic algorithm）提供泛化分析和近似收敛保证，以及标签复杂度的界 ；2）优化：黎曼流形和黑盒教学；3）应用：非欧空间建模。已在计算机顶级期刊《IEEE-TPAMI》、《IEEE-TNNLS》发表学习理论工作；其黑盒教学研究即将发表在人工智能顶级理论期刊《 Artificial Intelligent 》，另有《IEEE-TCYB》、CVPR、IJCAI等多篇论文发表，是T-PAMI/AIJ/JAIR/NeurIPS/ ICML/ACML/等顶级期刊和会议 PC/Reviewer。

时  间：2021年10月12日（周二） 上午 9：30始

地  点：腾讯会议  会议 ID：187 226 151

热烈欢迎广大师生参加!

信息科学技术学院

2021年10月11日