来源：专知

本文多图，建议阅读5分钟

本文重点介绍间隔泛化理论及其对抗学习算法。

报告人简介：龙明盛，清华大学软件学院副教授，博士生导师，大数据系统软件国家工程实验室机器学习组组长。2008和2014年从清华大学获得学士和博士学位，2014-2015年在加州大学伯克利分校从事研究工作。研究领域涉及机器学习理论与算法，专注迁移学习、预测学习及其在非结构化数据识别与预测中的应用。以第一/通讯作者在CCF-A类期刊和会议上发表论文50篇，包括TPAMI/ICML/NIPS十六篇，谷歌学术引用超过7000次，代表性论文单篇引用超过1500次。主持国家级科研课题3项，授权国家发明专利8项。担任NIPS/ICLR领域主席，ICML/KDD/CVPR会议程序委员会委员，中国计算机学会人工智能与模式识别专委会委员。获得SDM会议最佳论文提名、清华大学优秀博士学位论文、中国人工智能学会优秀博士学位论文、教育部技术发明一等奖。

http://ise.thss.tsinghua.edu.cn/~mlong/

迁移学习理论与算法

报告摘要：迁移学习一直是机器学习领域的难点问题，其目标是在数据分布变化的条件下实现强泛化能力。经过长期探索，逐步缩小了迁移学习的泛化理论与学习算法之间的鸿沟，获得了更紧致的泛化界和更优的学习器。此次报告将按照发展历程介绍迁移学习的代表性泛化理论及学习算法，重点介绍我们的间隔泛化理论及其对抗学习算法，同时介绍我们关于迁移学习的最新进展，包括局部泛化理论、迁移推理中的概率校准和无监督迁移学习算法。

编辑：文婧