报告题目：基于模拟学习方法论的鲁棒深度学习方法

摘要： 现有深度学习方法的有效性依赖于对训练数据集的高质量要求，当训练集蕴含复杂标记噪声、类别不均衡等数据偏差问题时，其有效性往往不能得以保证，这被称之为深度学习的鲁棒性学习问题。这一问题已经严重制约了深度学习在现实场景中的有效应用，是领域急需面对的瓶颈问题。本报告将特别针对样本加权这一类典型的处理数据偏差的方法论展开讨论，介绍该方法论从针对少量数据偏差类型的传统手工赋权设定方法，如何演进到更为前沿的针对更多数据偏差类型的自动化赋权方法。特别地，将深入讨论在该方法论背后蕴含的模拟学习方法论思想本质，挖掘其有效性理论内涵，从而揭示其可能对现实场景中复杂鲁棒深度学习问题的潜在泛化可用性。

报告人：束俊博士 西安交通大学

报告时间：2023年8月19日，星期六 上午9:30

会议形式：腾讯会议

会议ID：299-822-417

专家简介：束俊，西安交通大学博士，主要研究领域为机器学习和计算机视觉，特别是模拟学习方法论 (SLeM) 的理论、算法和应用研究。已在JMLR,TPAMI,NeurIPS，ICML，NSR等国际顶级期刊和会议共计发表学术论文 10 余篇，其中以第一作者在领域顶刊 JMLR 发表论文1篇，TPAMI 发表论文 2 篇，谷歌学术引用已达 900 余次。目前担任 IEEE TPAMI、IEEEINNLS, Machine Learning, Applied Soft Computing, Science China Information Sciences等国际和国内顶级期刊审稿人，并受邀担任ICML/NeurIPS/ICLR/CVPR/ECCV/ICCV/IJCAI 等多个国际顶级会议的 PC Member 十余次。曾获“NeurIPS2022 杰出审稿人奖”，首届粤港澳大湾区(黄埔) 国际算法算例大赛“数据选择与标记校正算法设计”擂台赛冠军(队长 )。