[00823012]面向复杂交互场景的新型机器学习技术

机器学习是模式识别、机器视觉、数据挖掘等方向的支撑技术之一，被广泛应用到安防、医疗、大数据分析等领域。基于样本的独立同分布假设，监督学习技术通过学习已标记数据来训练模型。然而在复杂交互场景下，当处理动态、多源、弱标记等非独立同分布数据时，亟需研究新型机器学习技术，以解决数据表示不鲁棒、最优解不稳定、难以优化等一系列难题，增强算法对复杂场景的适用性。 该项目在国家自然科学基金重点/面上项目、江苏省自然科学基金重点项目、科技部国际科技合作与交流专项等支持下，项目第一完成人及其团队10余年努力，重点研究“面向复杂交互场景的新型机器学习技术”，形成以下成果： 面向随机交互的在线优化：创新性地提出在线优化机制，根据反馈自适应环境的动态变化，实现大规模任务的交互决策。首次提出基于遗传算法的在线优化方法，解决动态、自治网格中的任务调度问题；并在此基础上发展了基于核的在线选择时间差分学习算法，显著降低大规模场景在线决策的时间代价。 面向动态交互的多智能体强化学习“创新性地发展多智能体强化学习理论体系，针对并发决策场景，实现稳定的多智能体协作和博弈均衡。首次提出“学习-规划”相结合的多智能体强化学习方法，有效解决多智能体协同问题。在此基础上，进一步提出基于分布式博弈求解的多智能体强化学习方法，解决了分布式系统非共享信息和博弈约简等难题。 面向多源异构数据的表示学习：创新性地提出联合“样本-特征-视图”的多源异构数据表示学习新框架，引入权重自适应学习机制，首次提出基于样本选择的多源耦合稀疏表示学习和联合样本与特征分析的多源特征选择算法。实现从不同粒度对多源异构数据进行联合耦合分析，有效提取多源数据特征，增强特征的鉴别能力。 面向结构约束的表示学习：创新性地将结构约束限制下的非独立同分布数据表示问题形式化地转化为弱监督环境下的机器学习问题(如直推式学习、多示例学习等)。能够有效地将全局标记与局部观察之间自动建立有效关联，解决了传统方法存在的学习效率低，解释性差等难题：研究了基于空间约束的直推式特征选择算法、并且提出了基于多示例字典学习的特征表示算法。 项目共发表国外期刊和国际会议论文91篇，论文总被他引916次。在IEEE汇刊(如TPAMI，TNNLS等)上发表论文12篇，在人工智能、机器视觉和数据挖掘等领域重要国际会议AAAI、AAMAS、CVPR、ACM MM、ICDM上发表论文9篇，在计算机学报、软件学报等国内重要期刊上发表论文20篇。且得到了美国卡耐基梅隆大学Alexander Hauptmann教授、罗格斯州立大学人工智能实验室主任Ahmed Elgammal教授(ICCV 2015领域主席)、国内知名学者自动化所卢汉清研究员、浙江大学蔡登、何晓飞教授的引用。 项目成果获IDEAL国际会议最佳论文奖、PAKDD国际会议最佳学生论文奖各1次。获吴文俊人工智能科学技术奖自然科学二等奖1项、军队医疗成果二等奖和三等奖各1项。培养教育部新世纪优秀人才1名、江苏省333工程第二层次人才1名、中国科协青年人才托举工程入选者1名。 项目获授权专利4项，其中2项获得转让。与江苏省公安厅物证鉴定中心、解放军八一医院、江苏万维艾斯、方天电力、江苏中博等多家单位合作，技术成果被广泛应用于智能监控、医学图像分析、大数据分析等实际任务中，取得了良好的经济与社会效益。