讲座题目：机器学习前沿技术报告会(11月30日)
讲座时间：2013-11-30 14:30:00

讲座（一）弱监督机器学习
特邀讲者张敏灵
张敏灵，东南大学计算机科学与工程学院副教授。分别于2001年、2004年和2007年于南京大学计算机科学与技术系获学士、硕士和博士学位。主要研究领域为机器学习、数据挖掘。现任“CAAI机器学习专委会/CCF模式识别与人工智能专委会”委员、 江苏省计算机学会人工智能专委会秘书长。担任《Machine Learning》客座编辑，ECML PKDD’09等国际会议讲座报告人，在ACML’12、ICML/COLT’10等组织主题Workshop并担任程序委员会共同主席。应邀担任IJCAI’13、SDM’13、ACML’13/’12等国际会议高级程序委员，以及ICML’14、AAAI’13/’12、KDD’11/’10等国际会议程序委员。获NSFC优秀青年科学基金(2012年)、教育部新世纪优秀人才支持计划(2013年)等。
报告提要：
在机器学习中，监督信息(supervision information)蕴含了学习问题的语义与规律，是设计有效的学习系统的关键。传统监督学习方法通常基于“强监督假设”(strong supervision assumption)构造学习模型，即：假设训练样本中包含了充分、清晰的监督信息以构造高泛化性能模型。然而，受问题特性、人力物力等因素的制约，在许多真实世界问题中强监督假设往往并不成立。近年来，弱监督机器学习（learning with weak supervision）的研究得到了国际机器学习界的广泛关注，并涌现出了不同类型的弱监督机器学习框架。本次报告将对若干流行的弱监督机器学习框架（半监督学习、多标记学习等）进行简要讨论，并介绍我们在相关领域的研究进展。
讲座（二）哈希学习及其在大数据检索与挖掘中的应用
特邀讲者李武军
李武军，博士，上海交通大学计算机科学与工程系副教授。主要研究领域为人工智能、机器学习与模式识别。在AAAI、CVPR、IJCAI、NIPS、SIGIR、TKDE等国际知名会议和期刊上发表学术论文20余篇，出版云计算相关的专著一部。现任《Frontiers of Computer Science》青年副编辑，担任TPAMI、TNNLS、TKDE、TPDS、TCSVT、中国科学、科学通报、软件学报等多个国际和国内知名期刊的特邀评审人，并担任ICML、IJCAI、SIGKDD等多个国际知名会议的程序委员或者评审人。目前主持一项国家自然科学青年基金和一项科技部863子课题，作为骨干成员参与一项科技部863重大项目。是教育部创新团队成员。
报告提要：
很多大数据应用场景中的数据都具有海量、高维等特性。数据的海量性将造成存储开销大、检索速度慢等问题，而数据的高维性将造成维度灾难问题，使得很多机器学习算法失效。哈希学习（learning to hash）通过机器学习算法将数据表示成二进制哈希码的形式，能大大减少数据的存储开销，提高检索速度，同时也能解决维度灾难问题，从而大大提高学习系统的性能。因此，哈希学习已经成为近几年大数据检索与挖掘中的一个研究热点。本报告将首先介绍哈希学习的应用背景与研究进展，然后详细讲解报告人自己最近的研究成果，最后对值得进一步探索的几个问题进行展望。