南京大学计算机软件新技术国家重点实验室    

摘 要：

迁移学习是机器学习领域的前沿难点，长期以来，理论与算法之间的鸿沟尚未弥合，深度特征迁移的解释尚未清晰，成为制约该领域发展的关键问题。为此，我们提出了基于间隔的迁移学习泛化理论，在计分函数和间隔损失设置下，推导了训练域的经验风险与测试域的期望风险的严格数学关系，形成了具有泛化误差保证的极小化极大博弈学习算法。此外，我们从泛化和优化两个视角，对深度网络的迁移机制进行了经验和理论分析。相关工作的代码均发布在课题组主页：http://ise.thss.tsinghua.edu.cn/~mlong/。

报告人简介:

龙明盛，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）、人工智能实验室（BAIR）从事研究工作。研究领域涉及机器学习理论、算法和系统，专注迁移学习、预测学习、深度学习及其在图像视频识别、预测任务中的应用。以第一作者/通讯作者在TPAMI/ICML/NIPS等CCF-A类会议/期刊上发表论文48篇，谷歌学术引用超过4000次，代表性论文单篇引用达到1000次。担任ICLR领域主席、ICML/NIPS/IJCAI/AAAI等国际会议（高级）程序委员会委员。主持国家级科研课题3项，授权国家发明专利8项（转让2项）。获SDM 2012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。

时间: 10月16日（星期三）10：30-11：30

地点:计算机科学技术楼230室