明早10:00大讲堂 | 预测时间敏感的机器学习模型建模与优化

分享主题

预测时间敏感的机器学习模型建模与优化

 

分享背景

机器学习模型现在已经广泛应用在越来越多的领域比如地震监测，闯入识别，高频交易；同时也开始广泛的应用在移动设备中比如通过边缘计算。这些真实世界的应用在原有的模型精度基础之上带来很多实际约束比如预测要在很短或规定时间内完成。所以这样的应用要求机器学习模型能够同时优化预测精度和时间。本研究提出一个通用的理论框架来实现预测精度和速度的最优权衡。这一权衡可以通过选择最优的特征选择实现，比如我们倾向于选择能保证高精度却又带来较少计算量的特征。但是特征计算过程中广发存在的计算依赖和冗余，这导致我们对其加以建模并在优化过程中精确的考虑它们。这样建立的整体模型是一个高度非凸并且离散的问题。对此，本文提出有效的等价及近似问题，并且提出新的基于非凸ADMM的方法及其相应的收敛性分析。本研究的代码及数据现均已公开。

 

分享嘉宾

赵亮，现为美国乔治梅森大学 (George Mason University)信息科学与工程学院助理教授。他于2016年于弗吉尼亚理工大学获博士学位。他的科研方向主要为，大数据挖掘及机器学习，具体领域有稀疏特征学习，社会实践预测，文本挖掘，分布式非凸优化， 网络的深度学习，可解释机器学习，多任务及迁移学习等。他获得2018美国自然科学基金CRII Award。他于2016年被微软搜索列为全球二十大学术新星之一。他在顶级期刊和会议发表论文40余篇，包括ACM KDD, IEEE TKDE, AAAI, IJCAI, IEEE ICDM, ACM CIKM, and WWW. 他曾担任空间数据库领域著名会议SSTD 2017的专家小组主席, co-chair of LENS workshop at SIGSPATIAL 2018, 以及program committee of ACM KDD 2018, AAAI 2019, SDM 2019, IEEE ICDM 2018, 和IEEE ICDM 2017. 他曾担任十余个著名期刊的评审工作，比如 ACM TKDD, IEEE TKDE, KAIS, IJGIS, TBD, TIST, 和TMIS.

分享时间

北京时间10月30日（周二） 10：00

错过直播不要紧，回放视频上传后也能看哦~

直播链接

http://www.mooc.ai/open/course/586

想了解更多 AI 研习社直播？

欢迎点击“阅读原文”

或者移步 AI 研习社社区~