[报告题目]
弱监督机器学习
[报告人]
张敏灵 （NSFC优秀青年科学基金获得者）
[报告时间]
2013年10月16日（周三） 下午3:30
[报告地点]
数学楼二楼学术报告厅
[报告摘要]
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。
[个人简介]
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)、CCF优秀博士学位论文(2008年)等。