题目: Transfer Adaptation Learning: A Decade Survey

摘要: 我们看到的世界是不断变化的,它总是随着人、事物和环境的变化而变化。域(domain)是指在某一时刻的世界状态。当研究问题需要不同时刻之间的知识对应时,其特征是域迁移自适应。传统的机器学习旨在通过最小化训练数据的正则化经验风险来寻找测试数据风险最小的模型,而训练数据和测试数据具有相似的联合概率分布。迁移自适应学习的目的是通过从语义相关但分布不同的源域学习知识,建立能够执行目标域任务的模型。这是一个越来越有影响力和重要性的充满活力的研究领域。本文综述了近年来在迁移自适应学习方法和潜在基准方面的研究进展,迁移自适应学习的研究人员面临着更广泛的挑战,即,instance re-weighting adaptation, feature adaptation,classifier adaptation,deep network adaptation,和adversarial adaptation,均超出了早期的半监督和无监督情况。这篇工作为研究人员更好地了解和确定该领域的研究现状、挑战和未来方向提供了框架。

作者: Lei Zhang,重庆大学微电子与通信工程学院研究员,博士生导师,重庆市生物感知与智能信息处理重点实验室副主任,LiVE智能学习与视觉团队负责人(http://www.leizhang.tk), IEEE Senior Member。主要聚焦于迁移学习服务于深度学习以及开放环境下的视觉分析问题。以第一或通讯在IEEE TIP/TNNLS/TMM/TCYB/TSMCA/TIM等期刊发表论文48篇、在 ICCV/AAAI/ACM MM/ACCV等会议上发表论文30余篇,出版英文专著1部,授权专利10项,多篇论文入选ESI高被引论文,Google Scholar引用1500余次。担任TPAMI/TIP/TNNLS/TMM/TCSVT等50余个期刊和AAAI/ICLR/CVPR/ICCV/IJCAI等多个会议的审稿,主持国家自然科学基金、重庆市重点研发子课题等项目10余项。曾获CCBR最佳论文奖、香江学者奖、黄尚廉院士青年创新奖、教育部学术新人奖、重庆市优博等。入选重庆大学百人计划,重庆市学术带头人后备人选、重庆市高层次人才计划—青年拔尖人才。

研究方向: 机器学习、计算机视觉、模式识别、信号处理

个人主页: http://www.leizhang.tk/

成为VIP会员查看完整内容
0
24

相关内容

自适应学习,也被称为自适应教学,是使用计算机算法来协调与学习者的互动,并提供定制学习资源和学习活动来解决每个学习者的独特需求的教育方法。在专业的学习情境,个人可以“试验出”一些训练方式,以确保教学内容的更新。根据学生的学习需要,计算机生成适应其特点的教育材料,包括他们对问题的回答和完成的任务和经验。该技术涵盖了各个研究领域和它们的衍生,包括计算机科学、人工智能、心理测验、教育学、心理学和脑科学。

简介: 近几年来, 深度学习在机器学习研究领域中取得了巨大的突破, 深度学习能够很好地实现复杂问题的学习, 然而, 深度学习最大的弊端之一, 就是需要大量人工标注的训练数据, 而这需要耗费大量的人力成本. 因此, 为了缓解深度学习存在的这一问题, Palatucci 等于 2009 年提出了零样本学习 (Zero-shot learning). 零样本学习是迁移学习的一种特殊场景, 在零样本学习过程中, 训练类集和测试类集之间没有交集, 需要通过训练类与测试类之间的知识迁移来完成学习, 使在训练类上训练得到的模型能够成功识别测试类输入样例的类标签. 零样本学习的意义不仅在于可以对难以标注的样例进行识别, 更在于这一方法模拟了人类对于从未见过的对象的认知过程, 零样本学习方法的研究, 也会在一定程度上促进认知科学的研究. 鉴于零样本学习的应用价值、理论意义和未来的发展潜力, 文中系统综述了零样本学习的研究进展, 首先概述了零样本学习的定义, 介绍了 4 种典型的零样本学习模型, 并对零样本学习存在的关键问题及解决方法进行了介绍, 对零样本学习的多种模型进行了分类和阐述, 并在最后指明了零样本学习进一步研究中需要解决的问题以及未来可能的发展方向。

作者简介:

刘建伟,男。中国石油大学博士生导师/硕士生导师。曾任加拿大温哥华英属哥伦比亚大学访问学者,加拿大滑铁卢大学高级访问学者。讲授模式识别专题(博士生),可编程序控制器原理及其应用,模式识别与机器学习导论等课程。

长期从事模式识别与智能系统、复杂系统分析与智能控制、机器学习和数据挖掘方面的研究工作。美国数学会《数学评论》评论员,中国人工智能学会机器学习分会高级会员。在计算机学报,自动化学报、计算机研究与发展、电子学报、TNNLS、Neurocomputing等期刊上和国内国际会议上发表学术研究论文180多篇,其中三大检索100多篇。

成为VIP会员查看完整内容
零样本学习进展.pdf
0
59

题目: 知识图谱中的关联搜索

摘要: 南京大学计算机科学与技术系副教授程龚在第3届知识工程与问答技术研讨会上介绍了知识图谱中的关联搜索,主要包括关联实体搜索、实体关联搜索 。

作者简介: 程龚,南京大学计算机科学与技术系副教授、江苏省“六大人才高峰”高层次人才。目前主要面向智能软件系统,研究语义网与知识图谱技术,研究主题包括语义搜索、数据摘要、智能问答等。主持国家重点研发计划课题、国家自然科学基金面上项目等多个项目课题。在WWW、AAAI、IJCAI、TKDE等会议期刊上发表论文70余篇,获ISWC最佳论文提名2次、COLING最佳论文提名1次,论文总引用2000余次。现任中国计算机学会系统软件专委委员、中国中文信息学会语言与知识计算专委委员、江苏省人工智能学会知识工程与智能服务专委副秘书长,担任过ISWC短文程序委员会主席、CCKS领域主席等职务。

成为VIP会员查看完整内容
0
49

摘要: 随着机器学习技术在生产、生活等各个领域的广泛应用,机器学习算法本身的安全问题也引起越来越多的 关注。基于对抗样本的攻击方法是机器学习算法普遍面临的安全挑战之一。以机器学习的安全性问题为出发点,介 绍了当前机器学习面临的隐私攻击、完整性攻击等安全问题,归纳了目前常见对抗样本生成方法的发展过程及各自 的特点,总结了目前已有的针对对抗样本攻击的防御技术,最后对提高机器学习算法鲁棒性的方法做了进一步的展 望。

作者介绍:

朱清新:1982年1月四川师范大学数学系本科毕业获学士学位。1984年7月北京理工大学应用数学专业毕业获硕士学位。1984年8月起任西南技术物理研究所工程师、副研究员,作为技术骨干参加了国防科工委7712工程项目并获科研成果三等奖。1993年5月渥太华大学应用数学和电子工程系控制论专业毕业获博士学位。1993年5月至1996年3月在渥太华大学电子工程系和加拿大卡尔顿大学计算机学院从事博士后研究并获计算机第二硕士学位。1996年3月至1997年11月任加拿大Nortel公司和OmniMark高级研究员。1998年3月应聘回国到电子科技大学计算机学院工作,1999年6月聘为教授、2001年6月聘为博士生导师。2002年9月至2003年3月赴加拿大蒙特利尔Concordia大学计算机系任高级访问学者。现任电子科技大学计算机学院学术委员会主任,计算运筹学研究室主任。主要研究领域包括:生物信息学、信息检索、计算运筹学与最优化。

张小松: 长江学者特聘教授,国家重点研发计划网络空间安全专项首席科学家, 2017年网络安全优秀人才奖获得者。长期致力于软件安全、网络安全和数据安全领域的研究,成果在应用中取得重要的社会和经济效益,近年来多次获国家和省部级成果奖励,发表包括CCF A类期刊IT、TSE、TIFS在内的学术论文六十余篇,出版了《网络安全协议》、《恶意软件分析与检测》、《软件测试》等专著、教材和译著5部,获授权国际、国内发明专利22项,公开50多项,获软件著作权登记10项。

成为VIP会员查看完整内容
0
9

论文名字

Transfer Adaptation Learning: A Decade Survey

论文简介

我们看到的世界是不断变化的,它总是随着人、事物和环境的变化而变化。领域是指世界在某一时刻的状态。当不同时刻之间需要知识对应时,一个研究问题被描述为领域转移适应问题。传统的机器学习的目的是通过最小化训练数据上的规则化经验风险,找到一个对测试数据期望风险最小的模型,但是假设训练数据和测试数据具有相似的联合概率分布。迁移适应学习旨在通过从语义相关但分布不同的源域学习知识,建立能够完成目标域任务的模型它是一个充满活力的研究领域,影响力和重要性与日俱增。本文综述了迁移适应学习方法和潜在基准的最新进展。转移适应学习研究者面临着更广泛的挑战,即实例重加权适应、特征适应、分类器适应、深层网络适应和对抗性适应,这些都超出了早期的半监督和无监督分裂。该调查为研究人员提供了一个框架,以便更好地了解和确定该领域的研究现状、挑战和未来方向。

论文作者

Lei Zhang,长期从事人工智能研究,是机器学习领域专家级人物,尤其在迁移学习领域颇有建树。在研究过程中,主张机器学习要面向实践,面向实际,立志解决当前问题,AI必须要有商业驱动,方能足够长远的发展。

成为VIP会员查看完整内容
0
24
小贴士
相关资讯
迁移自适应学习最新综述,附21页论文下载
无参考图像质量评价研究进展综述
人工智能前沿讲习班
34+阅读 · 2019年2月15日
【优青论文】视觉问答技术研究
计算机研究与发展
9+阅读 · 2018年9月21日
【优青论文】深度神经网络压缩与加速综述
计算机研究与发展
6+阅读 · 2018年9月20日
AI综述专栏|多模态学习研究进展综述
人工智能前沿讲习班
50+阅读 · 2018年7月13日
AI综述专栏 | 步态识别的深度学习综述
人工智能前沿讲习班
21+阅读 · 2018年6月27日
FCS 12(1) 文章 | 知识图谱综述
FCS
7+阅读 · 2018年3月12日
2017年刊登论文大盘点——综述篇
计算机研究与发展
3+阅读 · 2017年12月14日
迁移成分分析 (TCA) 方法简介
AI研习社
5+阅读 · 2017年9月15日
相关论文
Anomalous Instance Detection in Deep Learning: A Survey
Saikiran Bulusu,Bhavya Kailkhura,Bo Li,Pramod K. Varshney,Dawn Song
15+阅读 · 3月16日
Meta-Transfer Learning for Zero-Shot Super-Resolution
Jae Woong Soh,Sunwoo Cho,Nam Ik Cho
18+阅读 · 2月27日
Liuyi Yao,Zhixuan Chu,Sheng Li,Yaliang Li,Jing Gao,Aidong Zhang
34+阅读 · 2月5日
A Comprehensive Survey on Transfer Learning
Fuzhen Zhuang,Zhiyuan Qi,Keyu Duan,Dongbo Xi,Yongchun Zhu,Hengshu Zhu,Hui Xiong,Qing He
62+阅读 · 2019年11月7日
Progressive Pose Attention Transfer for Person Image Generation
Zhen Zhu,Tengteng Huang,Baoguang Shi,Miao Yu,Bofei Wang,Xiang Bai
3+阅读 · 2019年4月9日
Transfer Adaptation Learning: A Decade Survey
Lei Zhang
23+阅读 · 2019年3月12日
Chengju Zhou,Meiqing Wu,Siew-Kei Lam
6+阅读 · 2019年3月4日
Ryosuke Furuta,Naoto Inoue,Toshihiko Yamasaki
3+阅读 · 2018年11月13日
A Survey on Deep Transfer Learning
Chuanqi Tan,Fuchun Sun,Tao Kong,Wenchang Zhang,Chao Yang,Chunfang Liu
6+阅读 · 2018年8月6日
Haque Ishfaq,Assaf Hoogi,Daniel Rubin
3+阅读 · 2018年4月3日
Top