学术报告1

第一位
————山西大学教授梁吉业
大数据分析挖掘的多粒度方法
多粒度智能决策：
(1)多层次决策：对决策数据进行层次化建模或者运用现有决策模型对决策空间进行分层递阶的逼近。

(2)多视角决策：通过多种策略获得决策问题的多个局部解，基于多粒度融算法获得可信的满意近似解（遍历性，传递性，近似性）。

(3)最优粒度选择：从决策过程中构造的系列粒度中选择最佳粒度进行求解，进而高效获得决策问题的最优解。

社交网络复杂数据环境中链接挖掘方法：
（1）网络冷启动性：提出信息映射的冷启动链接预测方法。
（2）网络拓扑复杂性：提出融合对称与非对称的链接预测方法。
（3）网络信息的多元性：提出拓扑与非拓扑融合的链接预测方法。
（4）网络信息多元性：提出近相似性的时序链接预测方法。

第二位
————北京交通大学于剑教授
机器学习公理化及其应用

部分机器学习教材
国内部分教材：
周志华《机器学习》；
李航《统计学习方法》；
张学工《模式识别》；

国外部分教材：
Tom Mitchell «Machine Learning» ；
Ethem Alpaydin «Introdution to Michine Learning»；
Hastie,Tibshirini, Friedman, «The elements of statistical learning»；
Duda. Hart, «Pattern Classificaticn»；

机器学习的流派

2015年，Pedro Domingos出版了The master algorithm (终极算法) 将机器学习分为5个流派:
符号学派 ：决策树；

连接学派：深度学习；
进化学派：进化算法；
贝叶斯学派：概率图，朴素贝叶斯；
类推学派：K近邻，K-mcans等；

机器学习公理化

（1）已有学习理论：PAC学习理论， 统计学习理论，概率图理论；

（2）人类的学习机理：六七岁的儿童学习能力已经很强了，但并不懂机器学习理论和算法。
机器学习是否可以公理化，能够统管所有机器、生物和人的学习理论；

（3）学习就是定义，定义就是学习，专家把这两个观点合在一起来看，机器学习可以通过定义来掌握，说明其可行性。

归类(Categorization)

数据表示: 给定n个对象的归类表示；
归类判据:判断归类结果好坏；
归类算法:搜寻归类结果；
归类结果评估:评估归类结果效果。

内部表示:类的认知表示(主观内在)X

（1）经典理论(亚里士多德)：类有一个命题表示；
（2）原型理论(Rosch, 1978)： 类有一个原型表示；
（3）样例理论Medin & Schaffer, 1978)：类有多个样本表示；
（4）知识理论Murphy & Medin, 1985)：类是一个知识框架的组成部分。

第三位
————四川大学吕建成教授
小样本学习神经网络模型

小样本理论：小样本理论由美国统计学家威廉戈赛特于二十世纪初创立，小样本指样本量小于30
VC维与训练样本：亚历克塞切尔沃内基斯1974提出根据样本复杂性原理：训练规模高于10000倍VC维，才能使训练变得可靠
应用中的VC维：由于VC维是一个非常松散的估计区间，在实际应用中，训练数据规模只要高出十倍VC维，模型即可取得很好的效果。
小样本学习：在远小于模型十倍VC维的数据集上对模型进行训练的学习方法。

研究背景

1. 目前求解的神经网络的VC维过于松散
2. VC维来定义神经网络小样本学习问题过于宽泛

神经网络小样本学习
针对某一神经网络N，用传统学习算法所需要样本数量为B，研究如何在规模为M的数据上使N达到或接近收敛的算法F ，B<<M

这一定义同时区分小样本学习与半监督学习：
小样本学习：有标签的样本加无标签的样本总量远小于传统算法需要的样本数量

半监督学习：有标签的样本总量远小于传统算法需要的样本数量，有标签的样本加无标签的样本总量与传统算法需要的样本数量相比未知

模型知识借鉴：将现有网络知识有效的迁移至小样本学习网络中
数据增广：利用样本之间潜在的关联性去生成有效的增广样本
学习算法改进：如何在使用增量学习时避免网络遗忘之前学习到的知识

第四位
————中科院软件所张健教授

关于计数与计算体积及程序分析

约束满足问题（CSU)
给定未知量x1,x2,…值域是D1，D2. …,约束条件c1c2找出变量的值满足x属于D使得每个成立
约束条件有等式不等式；逻辑表达式……
CSP特例：图的染色问题
约束计数问题（CSP）
每个约束条件 applied to a subset of vars.相当于定义了an n-ary relation R,where(x1……xn)属于R 如果所有约束条件的满足

■背录:计数复杂性的主要研究对象是包言了#SAT问题的#CSP问题类。以及它的推广Holant问题类。在从布#CSP问题类通往布尔Holant问题复杂性刻画的路上很多介于两者之同的问题集合被研究。逐步揭示布尔Holant复杂性终极迷团等作用。例有。Holant*. Holant+. HolantC 等

■科学难题:六点模型对应于用一种四元西数F定义的特殊的Holant计算问题，含有复杂性未知的计算问题。其复杂性刻画是一个需要解决的问题:是通往一般的布尔Holant题复杂性分类路途上不可跳过的挑战之一

■重要实破:我们刻面了六点模型中所有问题的复杂性。在其中一种情形的证明中。发现了六点模型涵盖了所有函数定义的#CSP问题。当把六点模型定义中的任意一个特殊四元函数推广到任意的特殊偶数元面数集合时，就涵盖了所有的#CSP问题

第五位
————上海财经大学陆品燕教授
学习增强算法设计

PPT纯英文，有待发掘

第六位
————北京大学邓小铁教授

AI时代下的游戏理论与实践

（