基于弱监督信息的机器学习理论与方法

智能化是信息科学技术发展的主流趋势，而机器学习是实现智能化的关键。针对传统监督学习依赖强监督假设的局限，面向真实场景下基于弱监督信息的学习建模需求，实验室围绕弱监督机器学习理论、方法与技术开展深入研究，主要取得了如下代表性成果：①针对多义性对象学习建模，提出了二类分解、类属属性等系列多标记学习方法与技术。②针对弱标注对象学习建模，提出了标记分布学习范式及其理论方法。③针对歧义性对象学习建模，提出了辨识消歧、平均消歧等系列偏标记学习理论与方法。

评估期内，相关工作发表于《IEEE Trans. PAMI》、《IEEE Trans. KDE》以及AAAI、IJCAI、KDD等顶级期刊/会议。据Google Scholar统计，该代表性成果新增引用6000余次，单篇最高510余次（SCI他引184次）。部分工作得到国际同行关注与好评，例如：a) 国际机器学习学会创始出席、国际人工智能学会主席T. G. Dietterich教授等人在ICML’14论文中以5行篇幅介绍我们提出的弱监督多标记学习方法，并称其为“an exception”；b) 国际模式识别领域最高奖King-Sun Fu奖得主、《IEEE Trans. PAMI》前主编R. Chellappa教授等人在论文中以8行篇幅分析我们提出的偏标记学习方法IPAL，称其为该分支领域的“state-of-the-art”；c) King-Sun Fu奖得主、《IEEE Trans. PAMI》前主编A. K. Jain教授等人在《IEEE Trans. PAMI》论文中将我们提出的标记分布学习方法作为state-of-the-art方法进行总结和比较。

上述成果主要完成人先后入选教育部青年学者（1人）、获国家自然科学基金委优青（2人）、江苏省杰青（2人）等，应邀担任亚太人工智能国际会议(PRICAI’16/’18)、亚洲机器学习会议(ACML’17)等程序主席。

计算机网络和信息集成教育部重点实验室（东南大学）