报告人简介: 张宝昌,教授,博导,主要从事机器学习、计算机视觉、频谱感知等领域研究,发表录用IEEE汇刊、CCF A期刊和会议等论文近300篇,2篇入选热点论文和5篇入选高引论文,一作单篇论文谷歌引用1234次。入选爱思唯尔(Elsevier)中国高被引学者,教育部新世纪优秀人才项目、深圳市海外高层次人才计划团队项目、百度深度学习实验室学术顾问、中关村国家实验室核心双聘人员,获得一级学会/省级自然科学奖4项(三项一等奖)和国际重要比赛第一名3项(ECCV和ICPR)。 报告内容简介: 深度学习在解决实际问题中获得成功应用,但是其模型参数耦合程度高、具有很大不确定性,影响模型的优化和泛化。为了解决相关问题提出解耦因果学习方法,基于因果关系与参数解耦实现了模型的可靠因果关系,从而提升机器学习方法的可靠性与鲁棒性。提出了协同梯度下降算法,以双线性模型为例,构建解耦因果学习模型。为了提升模型的有效性,提出了一系列模型压缩方法,在降低模型复杂度的情况下,提高模型容量和模型的泛化能力。相关的应用包括:1-bit模型压缩、人机交互、目标检测与联想学习、信号感知、雷达行为识别等。 |