近日，國際人工智能領(lǐng)域頂尖期刊IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI, 模式分析與機器智能IEEE匯刊)在線發(fā)表了西南交通大學(xué)計算機與人工智能學(xué)院李天瑞教授研究團隊的最新研究成果:“Micro-supervised Disturbance Learning: A Perspective of Representation Probability Distribution”，從表征概率分布的視角首次提出微監(jiān)督擾動學(xué)習(xí)模型和深度框架。儲節(jié)磊老師為該論文第一作者，李天瑞教授為論文通訊作者，這是該校計算機與人工智能學(xué)院組建以來首次在TPAMI期刊上發(fā)表重要研究成果，也是“智能+力學(xué)”學(xué)科交叉融合代表性成果之一。

　　TPAMI是中國計算機學(xué)會(CCF)和中國自動化學(xué)會(CAA)等多個學(xué)會共同推薦的人工智能領(lǐng)域A類國際頂尖期刊(影響因子24.314)。本項研究得到了國家自然科學(xué)基金面上項目、重大項目子課題和四川省科技廳“5+1”產(chǎn)業(yè)重大科技專項等資助。

　　原始數(shù)據(jù)的表征學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域的關(guān)鍵性基礎(chǔ)研究，如何通過盡可能小的標簽代價，為下游任務(wù)提供優(yōu)異的數(shù)據(jù)表征也是機器學(xué)習(xí)領(lǐng)域的廣大學(xué)者們不懈追求的目標。

　　本論文受到力學(xué)領(lǐng)域小擾動思想的啟發(fā)，從表征分布的視角巧妙地將小擾動思想融入到機器學(xué)習(xí)領(lǐng)域中，首次提出微監(jiān)督擾動學(xué)習(xí)(Micro-supervised Disturbance Learning)方法，在深度表征學(xué)習(xí)的過程中逐漸施加小擾動激勵，從而不斷改善原始數(shù)據(jù)的表征分布，大幅度降低了表征過程中對數(shù)據(jù)標簽的依賴。本論文提出的Micro-DL深度框架在公開的數(shù)據(jù)集(包括大規(guī)模數(shù)據(jù)集)上顯示出了優(yōu)越的性能。

　　據(jù)了解，李天瑞教授團隊近年來始終專注于人工智能領(lǐng)域的前沿基礎(chǔ)理論研究和面向國家重大需求的應(yīng)用研究，并積極拓展“智能+”學(xué)科交叉融合場景，承擔國家重點研發(fā)課題、國家自然科學(xué)基金等國家級項目20余項，研究成果已發(fā)表在PNAS、IEEE TPAMI、AI、IEEE TKDE、IEEE TEC、IEEE TFS、IEEE TIFS、IEEE TIP、IEEE TC、IEEE/ACM ASLP、IEEE TIE、IEEE TVT、ACM TIST等國際頂級期刊，中國科學(xué)、軟件學(xué)報、計算機學(xué)報、自動化學(xué)報、電子學(xué)報、通信學(xué)報等國內(nèi)頂級期刊以及AAAI、ACL、CVPR、ICDE、IJCAI、KDD、UbiComp、WWW、ICDM、CIKM、EMNLP國際一流會議等。

　　版權(quán)聲明：文章來源于網(wǎng)絡(luò)，由本平臺整合撰寫，版權(quán)歸原作者或平臺所有，分享只為學(xué)術(shù)交流，如有侵權(quán)請聯(lián)系刪除或整改，謝謝。