面向不完备数据标注的弱监督机器学习算法介绍

  • 学习人数

    902

  • 难度级别

    初级

  • 课程时长

    1时38分

  • 综合评分

    10

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。

◤请先登录◢

提示

需求登记

×
需求类型
我的需求
内容需在50-300字之间
姓名 名称需在2-6字之间
手机号码
发送验证码 手机号码格式不正确
手机验证码
免费提交需求