大講堂 | 預測時間敏感的機器學習模型建模與優化

雷鋒網AI研習社訊：機器學習模型現在已經廣泛應用在越來越多的領域比如地震監測，闖入識別，高頻交易；同時也開始廣泛的應用在移動設備中比如通過邊緣計算。這些真實世界的應用在原有的模型精度基礎之上帶來很多實際約束比如預測要在很短或規定時間內完成。所以這樣的應用要求機器學習模型能夠同時優化預測精度和時間。本研究提出一個通用的理論框架來實現預測精度和速度的最優權衡。這一權衡可以通過選擇最優的特征選擇實現，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存在的計算依賴和冗余，這導致我們對其加以建模并在優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的方法及其相應的收斂性分析。本研究的代碼及數據現均已公開。

分享主題

預測時間敏感的機器學習模型建模與優化

分享嘉賓

趙亮，現為美國喬治梅森大學 (George Mason University)信息科學與工程學院助理教授。他于2016年于弗吉尼亞理工大學獲博士學位。他的科研方向主要為，大數據挖掘及機器學習，具體領域有稀疏特征學習，社會實踐預測，文本挖掘，分布式非凸優化， 網絡的深度學習，可解釋機器學習，多任務及遷移學習等。他獲得2018美國自然科學基金CRII Award。他于2016年被微軟搜索列為全球二十大學術新星之一。他在頂級期刊和會議發表論文40余篇，包括ACM KDD, IEEE TKDE, AAAI, IJCAI, IEEE ICDM, ACM CIKM, and WWW. 他曾擔任空間數據庫領域著名會議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 AI 研習社直播？

歡迎移步雷鋒網 AI 研習社社區~