报告摘要：迁移学习一直是机器学习领域的难点问题，其目标是在数据分布变化的条件下实现强泛化能力。经过长期探索，逐步缩小了迁移学习的泛化理论与学习算法之间的鸿沟，获得了更紧致的泛化界和更优的学习器。此次报告将按照发展历程介绍迁移学习的代表性泛化理论及学习算法，重点介绍我们的间隔泛化理论及其对抗学习算法，同时介绍我们关于迁移学习的最新进展，包括局部泛化理论、迁移推理中的概率校准和无监督迁移学习算法。
成为VIP会员查看完整内容
Transfer Learning: Theories and Algorithms
相关内容
清华大学软件学院副教授，博士生导师，大数据系统软件国家工程实验室机器学习组组长。分别于2008和2014年从清华大学获学士和博士学位，2014-2015年在加州大学伯克利分校大数据实验室(AMPLab)、统计人工智能实验室（SAIL）从事研究工作。研究领域包括机器学习理论、算法和系统，特别是迁移学习、深度学习、预测学习及其在图像视频识别、预测任务中的应用。以第一作者或通讯作者在ICML/NIPS/CVPR等CCF-A类会议和期刊上发表论文46篇，谷歌学术引用超过3700次，其中在ICML 2015发表的深度迁移学习论文单篇引用800余次。担任ICLR领域主席、ICML/NIPS/CVPR等国际会议（高级）程序委员会委员。主持国家重点研发计划子课题、国家自然科学基金课题3项，授权国家发明专利20项。获2012国际数据挖掘会议最佳论文提名，2016中国人工智能学会优秀博士论文，2018教育部技术发明一等奖（第4完成人）。
相关VIP内容
相关资讯
相关论文
微信扫码咨询专知VIP会员