传统的监督式机器学习算法在训练时都要求数据是充分、准确、清晰的，然而在很多实际情形下，由于多种客观条件的限制，训练数据的这种完备性是很难得到保证的。因此，各类弱监督学习方法便被提出，以解决实际问题中遇到的监督信息不完备的问题。在本报告中，我将主要介绍我们课题组在弱监督学习领域的最新进展。围绕标签不充分、不准确、不清晰等常见实际问题，我将主要介绍相应的应对算法，具体涉及半监督学习、PU学习、标签噪声学习、偏标记学习等。相关的理论分析结果和实验结果也会一并介绍。
宫辰
研究学者
- 讲师简介
- 南京理工大学计算机科学与工程学院教授、博导，上海交通大学和悉尼科技大学双博士学位，在国际顶级期刊或会议上发表80余篇学术论文。目前担任AIJ、IEEE T-PAMI等20余家国际权威期刊审稿人，并受邀担任ICML、NeurIPS、AAAI、IJCAI、ICDM等多个国际会议的SPC/PC member。曾获中国人工智能学会“优秀博士学位论文”、中国科协“青年人才托举工程”、“吴文俊人工智能优秀青年奖”、“香江学者”、江苏省“六大人才高峰”、上海交通大学“优秀博士学位论文”等。
