雷鋒網(wǎng)AI研習(xí)社訊：機器學(xué)習(xí)模型現(xiàn)在已經(jīng)廣泛應(yīng)用在越來越多的領(lǐng)域比如地震監(jiān)測，闖入識別，高頻交易；同時也開始廣泛的應(yīng)用在移動設(shè)備中比如通過邊緣計算。這些真實世界的應(yīng)用在原有的模型精度基礎(chǔ)之上帶來很多實際約束比如預(yù)測要在很短或規(guī)定時間內(nèi)完成。所以這樣的應(yīng)用要求機器學(xué)習(xí)模型能夠同時優(yōu)化預(yù)測精度和時間。本研究提出一個通用的理論框架來實現(xiàn)預(yù)測精度和速度的最優(yōu)權(quán)衡。這一權(quán)衡可以通過選擇最優(yōu)的特征選擇實現(xiàn)，比如我們傾向于選擇能保證高精度卻又帶來較少計算量的特征。但是特征計算過程中廣發(fā)存在的計算依賴和冗余，這導(dǎo)致我們對其加以建模并在優(yōu)化過程中精確的考慮它們。這樣建立的整體模型是一個高度非凸并且離散的問題。對此，本文提出有效的等價及近似問題，并且提出新的基于非凸ADMM的方法及其相應(yīng)的收斂性分析。本研究的代碼及數(shù)據(jù)現(xiàn)均已公開。

分享主題

預(yù)測時間敏感的機器學(xué)習(xí)模型建模與優(yōu)化

分享嘉賓

趙亮，現(xiàn)為美國喬治梅森大學(xué) (George Mason University)信息科學(xué)與工程學(xué)院助理教授。他于2016年于弗吉尼亞理工大學(xué)獲博士學(xué)位。他的科研方向主要為，大數(shù)據(jù)挖掘及機器學(xué)習(xí)，具體領(lǐng)域有稀疏特征學(xué)習(xí)，社會實踐預(yù)測，文本挖掘，分布式非凸優(yōu)化， 網(wǎng)絡(luò)的深度學(xué)習(xí)，可解釋機器學(xué)習(xí)，多任務(wù)及遷移學(xué)習(xí)等。他獲得2018美國自然科學(xué)基金CRII Award。他于2016年被微軟搜索列為全球二十大學(xué)術(shù)新星之一。他在頂級期刊和會議發(fā)表論文40余篇，包括ACM KDD, IEEE TKDE, AAAI, IJCAI, IEEE ICDM, ACM CIKM, and WWW. 他曾擔(dān)任空間數(shù)據(jù)庫領(lǐng)域著名會議SSTD 2017的專家小組主席, co-chair of LENS workshop at SIGSPATIAL 2018, 以及program committee of ACM KDD 2018, AAAI 2019, SDM 2019, IEEE ICDM 2018, 和IEEE ICDM 2017. 他曾擔(dān)任十余個著名期刊的評審工作，比如 ACM TKDD, IEEE TKDE, KAIS, IJGIS, TBD, TIST, 和TMIS.

分享時間

北京時間10月30日（周二） 10：00

錯過直播不要緊，回放視頻上傳后也能看哦~

直播鏈接

http://www.mooc.ai/open/course/586

想了解更多雷鋒網(wǎng) AI 研習(xí)社直播？

歡迎移步雷鋒網(wǎng) AI 研習(xí)社社區(qū)~

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。