面向开放场景的鲁棒机器学习专刊前言  

SPECIAL ISSUE ON ROBUST MACHINE LEARNING IN THE OPEN-WORLD SCENARIOS Preface

作　　者：陈恩红[1] 李宇峰[2] 邹权 CHEN En-Hong;LI Yu-Feng;ZOU Quan

机构地区：[1]中国科学技术大学计算机科学与技术学院,安徽合肥230026 [2]南京大学人工智能学院,江苏南京210023 [3]电子科技大学基础与前沿研究院,四川成都611731

出　　处：《软件学报》2022年第4期1153-1155,共3页Journal of Software

摘　　要：近年来,随着学术界与工业界在机器学习和人工智能领域越来越多的投入和关注,相关技术获得飞速发展,机器学习已经被应用到社会生活的方方面面,并产生巨大社会价值.机器学习模型主要依赖大量高质量数据的封闭训练,随着机器学习模型付诸于开放场景,例如,数据分布的变化、数据特征的变化、数据标记的偏差、任务目标的变化、恶意样本的攻击、设备能力的受限等,其往往面临模型失效、性能不佳等风险隐患.基于此,研究人员亟需探索开放场景下的鲁棒机器学习模型.具体而言,包括分布变化的机器学习、弱监督学习、模型复用、表示学习、强化学习、对抗学习、迁移学习以及更多实际领域问题中的应用等.为此,我们组织了面向开放场景的的鲁棒机器学习专刊.

关 键 词：机器学习 迁移学习 弱监督学习 强化学习 人工智能 数据分布 开放场景 数据特征 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]