成电讲堂

　　5月17日下午，东京大学原田逹也教授做客学者论坛，为我校师生带来题为“Learning Deep Neural Networks from Limited Data”的报告。本次学者论坛由计算机科学与工程学院（网络空间安全学院）姬艳丽副教授主持，相关方向老师和学生们到场聆听。

　　在本次讲座中，原田逹也教授介绍说从有限的数据中训练深度神经网络以构建精确的预测模型是机器学习中的关键任务之一，他带领大家探讨了由于物体识别的不确定性导致无法避免的多标签PU问题。原田逹也教授引入了无监督域自适应和使用类间实例学习方法来训练自有限监督数据的深度神经网络的方法，并着重介绍了类间实例学习性能优越且简单易执行易扩展的优点，并引入了费希尔准则来解释为什么类间实例学习在有限数据上会比监督学习取得更好的结果。对团队正在开展的各种主题研究，原田逹也教授也作了相应介绍。

　　在报告的提问交流环节，同学们就类间实例学习是否能在多标签预测、结构标签预测、序列到序列任务上达到多分类任务上同样的效果，以及如何看待类间实例学习中样例之间的合并（比如把猫和狗的图片按照一定的比例合并）所产生的“噪声”与对抗学习中对样例进行轻微的扰动就造成严重的分类错误的噪声的区别提出了疑问，原田逹也教授耐心地予以解答。报告最后，徐行副教授与原田逹也教授就计算机视觉相关研究未来的发展进行了深入的交流。

　　本次学者论坛由学校人力资源部教师发展中心主办，计算机科学与工程学院（网络空间安全学院）及未来媒体研究中心承办。

　　相关链接：主讲人简介

　　Tatsuya Harada is a Professor in the Department of Information Science and Technology at the University of Tokyo. His research interests center on visual recognition, machine learning, and intelligent robot. He received his Ph.D. from the University of Tokyo in 2001. He is also a team leader at RIKEN AIP and a vice director of Research Center for Medical Bigdata at National Institute of Informatics, Japan.