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），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，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