主流机器学习模型的基本假设是训练和测试数据的独立同分布iid

主流机器学习模型的基本假设是训练和测试数据的独立同分布（IID），导致其缺乏对分布外数据的泛化能力（Out-Of-Distribution Generalization），使得当前模型在真实、开放场景下的预测性能无法保证，是当前机器学习研究的公认重要难题之一。本报告将重点介绍面向分布外泛化的稳定学习最新研究进展，并针对首届分布外泛化图像分类挑战赛NICO Challenge进行全面介绍和技术分析。

崔鹏，清华大学计算机系长聘副教授，博士生导师。研究兴趣聚焦于大数据驱动的因果推理和稳定预测、大规模网络表征学习等。在数据挖掘及人工智能领域的顶级国际会议发表论文100余篇，先后5次获得顶级国际会议或期刊论文奖，并先后两次入选数据挖掘领域顶级国际会议KDD**论文专刊。担任IEEE TKDE、ACM TOMM、ACM TIST、IEEE TBD等国际顶级期刊编委，ICML、NeurIPS、KDD、AAAI、UAI等顶级国际会议Area Chair。曾获得国家自然科学二等奖、教育部自然科学一等奖、电子学会自然科学一等奖、北京市科技进步一等奖、CCF青年科学家奖、ACM杰出科学家。