讲座名称：如何突破机器学习的先验假设？

讲座人：徐宗本 院士

讲座时间：3月3日15:00

讲座地点：广研院B5-103

讲座人介绍：

徐宗本 中国科集团院士，数学家、信号与信息处理专家、西安交通大学教授。主要从事应用数学、人工智能、数据建模基础理论研究。曾提出稀疏信息处理的L(1/2)正则化理论,为稀疏微波成像提供了重要的理论基础；发现并证明机器学习的“徐-罗奇”定理, 解决了神经网络与模拟演化计算中的一些困难问题,为非欧氏框架下机器学习与非线性分析提供了普遍的数量推演准则; 提出基于视觉认知的数据建模新原理与新方法，形成了聚类分析、判别分析、隐变量分析等系列数据挖掘核心算法, 并广泛应用于科学与工程领域。曾获陈嘉庚信息技术科学奖、国家自然科学二等奖、国家科技进步二等奖、CSIAM苏步青应用数学奖、国际信息技术与量化管理学会Richard Price数据科学奖、陕西省最高科技奖，并在世界数学家大会上作45分钟特邀报告。

曾任西安交通大学副校长。现任中国科集团信息技术科学部副主任、西安交通大学西安数学与数学技术研究院院长、大数据算法与分析技术国家工程实验室主任、人工智能与数字经济广东省实验室（广州）主任，为国家大数据专家咨询委员会委员、国家新一代人工智能开放创新平台及战略咨询委员会委员。

讲座内容：

机器学习是人工智能的最基础、最核心技术(算法)，但机器学习的执行通常都是以一组基本的先验假设为前提的，这些基本假设包括: 假设空间的大容量假设、训练数据的完备性假设、损失度量的数据独立假设、正则项的凭经验设置假设、分析框架的欧氏空间假设等。本报告分析这些假设的作用、局限及其影响，提出突破这些基本假设的可能途径与方法。特别，我们提出突破假设空间大容量假设的模型驱动深度学习方法、突破训练数据完备性假设的课程-自步学习方法、突破损失度量数据独立假设的误差建模原理、突破正则项经验设置假设的隐正则化方法、突破分析框架欧氏空间假设的Banach空间几何方法。每一情况下，我们举例说明新突破带来新价值。所有这些尝试构成机器学习的适配性理论,是当下机器学习研究的一个新方向。

主办单位：广州研究院