当前位置: 首 页 - 科学研究 - 学术报告 - 正文

吉林国家应用数学中心系列报告(2022-003):杨晓伟 教授 华南理工大学

发表于: 2022-03-27   点击: 

报告题目:领域自适应算法的研究进展

报 告 人:杨晓伟 教授 华南理工大学

报告时间:2022-3-30 星期三,19:00-21:00

报告地点:腾讯会议 804-983-767


报告摘要:在机器学习领域,经典机器学习算法的研究工作主要基于数据的独立同分布假设。作为迁移学习中的一个重要研究方向,领域自适应解决的核心问题是源域和目标域数据的联合概率分布不匹配问题。根据目标域数据是否存在标注,领域自适应分为无监督领域自适应和半监督领域自适应。本报告将从边际分布对齐和联合概率分布对齐的角度出发,详细介绍浅层领域自适应算法和深层领域自适应算法的最新研究成果。希望本次报告能够对从事相关领域的本科生、研究生、博士生和研究人员起到一个抛砖引玉的作用。


报告人简介:杨晓伟,男,博士,教授,博士生导师,华南理工大学软件学院副经理。分别于1991年、1996年和2000年在必威betway数学系、数学所和工程力学系获得理论与应用力学专业学士、计算力学专业硕士和固体力学专业博士学位。研究领域为:机器学习和模式识别。主要学术贡献包括:(一)在支持向量机领域,提出了基于核模糊C-均值聚类及最远距离策略的模糊支持向量机分类算法和基于非凸优化的鲁棒最小二乘支持向量机算法,首次证明了在高斯核所引导的高维特征空间中,由模糊C-均值聚类算法生成的类中心未必在原始低维特征空间中存在原像,纠正了高维特征空间中样本点到类中心的距离计算公式;(二)在张量分析领域,首次提出了线性支持高阶张量机分类模型,克服了早期支持张量机分类模型没有闭式解的不足,从理论上说明了标准支持向量机分类模型是该模型的一个特例;(三)在迁移学习领域,首次从统计学的角度出发提出了对齐源域和目标域联合分布的浅层和深层迁移学习算法,解决了迁移学习的一个本质性问题。相关成果主要发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics、IEEE Transactions on Evolutionary Computation、IEEE Transactions on Fuzzy Systems、IEEE Transactions on Image Processing、IEEE Transactions on Software Engineering、IEEE Transactions on Medical Imaging、Pattern Recognition、Neurocomputing、计算机学报、计算机研究与发展、ICSE、ICDM、SDM等国内外人工智能和模式识别旗舰杂志和国际学术会议上。2013年,与郝志峰教授合作,在科学出版社出版了专著《支持向量机的算法设计与分析》,该书纳入了《信息与计算科学丛书》,得到了国家出版基金的资助。到目前为止,指导学术型硕士和博士80余人,其中3人获得国家级青年人才称号,1人获得广东省青年珠江学者称号,4人获得广东省杰青称号。