何清,中国科学院计算技术研究所,中国科学院智能信息处理重点实验室研究员,博士生导师。1965年8月出生,于2000年获北京师范大学博士学位,兼任中国人工智能学会副秘书长,常务理事,机器学习专业委员会常务理事, 分布智能与知识工程专业委员会秘书长。中国电子学会云计算专家委员会委员。主要研究领域:机器学习与数据挖掘,基于云计算的大数据挖掘。主要学术贡献:提出了基于超曲面的覆盖学习算法;提出极小样本集抽样方法与相关理论;提出了基于进化规划的基于摄动的模糊聚类改进算法,解决了模糊聚类失真问题;证明了模糊集扩展原理在范畴论意义下的合理性;提出概念语义空间用于知识管理;提出一种新型信息熵用于分类;提出基于粒度的多层次决策方法;在国内外重要刊物和会议上发表近百篇学术论文,30多篇文章发表在SCI国际期刊,已被SCI收录27篇,被EI收录66篇。 在大数据挖掘方面,2008年底,何清带领他的中科院计算所机器学习与数据挖掘团队,受中国移动研究院委托,合作开发完成了基于云计算的并行数据挖掘平台,用于TB级实际数据的挖掘,实现了高性能、低成本的数据挖掘,通过这次创新,使我国获得了自主知识产权的基于云计算的数据挖掘技术。何清先后主持完成多个有关数据挖掘的国家自然科学基金项目和863项目,提出了一系列有效的数据挖掘算法和多个并行机器学习算法,并开发实现了四十多个并行机器学习算法。组织开发的多个数据挖掘软件获得了软件著作权,并实际应用到多个行业的数十家企业,为企业带来了可观的经济效益和社会效益。受大会邀请在第二届和第三届中国云计算大会上作了技术报告。 承担完成或参加完成的多项国家自然科学基金项目被评为优或特优。承担完成了两项863项目获得好评。

VIP内容

题目: A Comprehensive Survey on Transfer Learning

作者: Fuzhen Zhuang, Zhiyuan Qi, Keyu Duan, Dongbo Xi, Yongchun Zhu, Hengshu Zhu, Senior Member, IEEE, Hui Xiong, Senior Member, IEEE, and Qing He

摘要: 迁移学习的目的是通过迁移包含在不同但相关的源域中的知识来提高目标学习者在目标域上的学习表现。这样,可以减少对大量目标域数据的依赖,以构建目标学习者。由于其广泛的应用前景,迁移学习已经成为机器学习中一个热门和有前途的领域。虽然已经有一些关于迁移学习的有价值的和令人印象深刻的综述,但这些综述介绍的方法相对孤立,缺乏迁移学习的最新进展。随着迁移学习领域的迅速扩大,对相关研究进行全面的回顾既有必要也有挑战。本文试图将已有的迁移学习研究进行梳理使其系统化,并对迁移学习的机制和策略进行全面的归纳和解读,帮助读者更好地了解当前的研究现状和思路。与以往的文章不同,本文从数据和模型的角度对40多种具有代表性的迁移学习方法进行了综述。还简要介绍了迁移学习的应用。为了展示不同迁移学习模型的性能,我们使用了20种有代表性的迁移学习模型进行实验。这些模型是在三个不同的数据集上执行的,即Amazon Reviews,Reuters-21578和Office-31。实验结果表明,在实际应用中选择合适的迁移学习模型是非常重要的。

成为VIP会员查看完整内容
A Comprehensive Survey on Transfer Learning.pdf
0
95
参考链接
Top