张敏灵在CCAI 2017分享：弱监督机器学习新进展

在2017年的中国人工智能大会（CCAI 2017）上，东南大学计算机科学与工程学院的张敏灵教授分享了题为《弱监督机器学习范式》的报告。报告聚焦于大数据分析背景下机器学习的新进展，特别强调了在缺乏大规模标注数据的情境中，如何利用有限的信息进行有效分类和学习。 首先，张教授指出机器学习在大数据驱动下取得了显著的成功，大型规模并行实施带来了许多突破，如大规模机器学习算法在诸如自然语言处理、图像识别等领域展现出强大的能力。然而，现实世界中有许多应用场景，如医疗诊断、工业制造、灾害预警和基础设施管理等，由于数据获取的限制，大规模标注数据并不普遍可用。 针对这一挑战，张敏灵教授的研究主要围绕弱监督机器学习展开。弱监督学习是一种在缺乏完整标注数据的情况下，通过利用较少或不精确的标签信息来提升模型性能的方法。例如，密度比率估计（Density Ratio Estimation）是其中一种关键技术，它可以帮助模型估计不同类别之间的分布差异，即使在仅有部分标记或者标签噪声的情况下也能进行学习。 报告中提到了几本相关的书籍，包括Sugiyama教授的作品，如《统计机器学习导论》（Introduction to Statistical Machine Learning），以及《数据集迁移在机器学习中的影响》（Dataset Shift in Machine Learning），这些著作深入探讨了统计强化学习、非平稳环境下的机器学习、无监督学习等议题，为理解和应用弱监督学习提供了理论基础。 Sugiyama教授的另一些著作，如《机器学习在非stationary环境中》和《统计强化学习》，展示了如何处理环境变化和动态学习问题，这对于适应不断变化的数据分布和应用场景至关重要。此外，《机器学习的密度比率估计》则详述了这一核心技术在实际问题中的应用和优化方法。 在报告中，张敏灵教授分享了他们的最新研究成果，即在有限信息条件下进行分类的进展。这可能包括开发新的弱监督学习算法、处理小样本学习、半监督学习或基于元学习的策略，以降低对大规模标注数据的依赖。这些研究不仅有助于解决实际问题，也推动了机器学习理论的前沿发展，对于未来的数据驱动型决策系统具有重要意义。 总结来说，张敏灵教授的分享揭示了在大数据时代，如何通过弱监督机器学习范式应对数据标注不足的问题，并介绍了他们在这一领域的关键贡献和技术突破，为理解和发展现代机器学习实践提供了重要视角。