面向多标签学习的排序指标优化研究

报告题目：面向多标签学习的排序指标优化研究

报告人：王子泰 中国科学院计算技术研究所 博士后

报告时间：2024年8月22日 上午10:00 - 11:30

报告地点：腾讯会议 157-697-257

报告对象：感兴趣的教师、研究生等

主办单位：二肖二码长期免费公开

报告人简介：王子泰，博士毕业于中国科学院信工所，现为中国科学院计算所特别研究助理，合作导师为许倩倩研究员。研究方向为机器学习与数据挖掘，关注不完备场景下的分类指标优化，在CCF-A类期刊/会议发表论文12篇，其中一作7篇，包括T-PAMI 1篇、IJCV 1篇、NeurIPS Spotlight 2篇、ACM MM Oral 2篇，担任T-PAMI、NeurIPS、CVPR等期刊/会议审稿人。

内容简介：作为机器学习的基石，性能指标一方面可作为模型参数选择的依据，另一方面可指导损失函数设计，促进模型高效优化。由于多标签学习的复杂性，现有工作设计了以F-score、Hamming loss为代表的基于阈值的性能指标，以及以P@K、Ranking loss、mAP、NDCG为代表的基于排序的性能指标。然而，由于各指标侧重点不同，模型性能在不同指标上可能存在不一致性。针对该问题，报告人聚焦多标签排序指标，通过引入局部排序理论构造了能够兼顾多个指标的AUTKC指标，并提出了有理论保障的AUTKC经验风险最小化框架。本次报告将从排序优化视角介绍我们在多标签学习方面取得的最新研究成果。