报告主题：有限数据场景下的机器学习算法研究
报告时间：2023年3月14日 8:00-9:30
报告地点：逸夫楼14阶
报告人：郭丹丹
报告简介：深度学习在一系列任务中取得的成功与大规模、高质量的数据密不可分。然而在现实应用中，经常会出现数据种类繁多、收集成本昂贵、数据标注困难等问题，使得深度学习难以应用于现实场景。因此，开展有限数据场景下机器学习算法的研究对于推动人工智能在现实中的应用有着重要的意义。目前，根据具体任务，研究人员将机器学习算法所面临的有限知识场景细分为多个研究领域，其中的经典场景包括小样本学习和不平衡分类。本次报告将从小样本学习和不平衡分类出发，介绍不同有限数据场景下如何设计机器学习算法。
个人简介：郭丹丹，吉林大学人工智能学院教授。她于2020年博士毕业于西安电子科技大学电子工程学院，2020年-2022年于香港中文大学（深圳）开展博士后研究。郭丹丹长期致力于模式识别机器学习算法的基础研究，包括概率模型构建与统计推断，元学习，算法公平性研究，最优传输理论等。所涉及的应用包括图像生成及分类、文本分析、自然语言处理等。目前，她专注于现实应用中小样本分类、训练数据分布有偏等问题，着重从分布校正、分布拟合、分布匹配等角度展开研究。她在机器学习领域国际顶级会议（NeurIPS，ICML，ICLR）、顶级期刊（IEEE PAMI，IJCV，IEEE TNNLS）等发表多篇论文，多次受邀担任JMLR, IEEE TNNLS, IEEE TSP, NeurIPS, ICML, ICLR等高水平期刊/会议审稿人。
