报告1：High-Rankness (高秩性) of Missing Multi-label Learning

摘要：Multi-label learning (MLL) is an important learning paradigm in machine learning where completing those missing labels is a key One of Popular MLLs works under the low-rankness assumption for Iabel completion, however, this is often violated in practice. In this talk, we first illustrate the high-rankness in single/multiview MLLS and more challenges in the latter setting, then provide the concise yet effective methods to meet them.

报告2：一个统一的高效和有效模型选择新策略(Leave-Zero-0ut)

摘要：模型选择是机器学习的核心。交叉验证(Cross-Validation-CV)作为种广泛采纳并在经验上行之有效的选择策略，常常面临需多重数据划分验证所导致的效率低下及在少标记样本学习场景下难奏效等问题。本报告尝试给出一种无需留出验证集的模型选择新策路:Leave-Zero-Out，其不仅高效和有效，而且具有用适合监督、半监督到无监督模型选择的普适性。

主讲人：陈松灿，南京航天航空大学计算机科学和技术学院/人工智能学院教授。国际模式识别学会会士(IAPRFellow)和中国人工智能学会会士(CAAIFellow)。Google Scholar被引16200多次，H-指数58。2014- 2020连续7年入选EIsevier中国高引学者榜。 现任中国人工智能学会(CAAI)常务理事，CAAI机器学习专委会主任和江苏省人工智能学会(JSAI) 常务副理事长。至今主持国家自然科学基金项目12项，其中重点项目1项。

报告时间：2021年12月4日星期六上午9:30-11:30

报告形式：腾讯会议

会议号：180-183-672

会议密码：211204

主办单位：数学院、大数据研究院