tist
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
讲师简介:谭奔,博士毕业于香港科技大学
讲师简介:谭奔,博士毕业于香港科技大学,主要研究方向为迁移学习、推荐系统、机器学习等,目前在微众银行人工智能部门负责推荐算法研发工作,曾就职于腾讯,负责广告转化率预估、商品推荐等工作。在 KDD、AAAI、SDM、TIST 等国际学术期刊会议上发表论文 10 余篇,多次在国际数据挖掘大赛中名列前茅。 具体课程,请点击下方链接/图片,前往进行观看和学习