非经典条件下的机器学习方法专题前言

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投入的关注越来越多,相关技术飞速发展,机器学习已经在社会生活的方方面面获得广泛应用,并产生了巨大价值.
随着机器学习模型应用场景的不断扩大,越来越多的问题难以被经典条件下的机器学习方法所解决.新兴的应用场景下,人们往往面临数据模式发生变化、数据特征发生变化、学习任务目标发生变化等动态场景;数据标记不完备或采样存在偏差等弱监督场景;以及设备存储空间较小、计算能力有限等资源受限场景,等等.在非经典条件下,传统机器学习所依赖的假设条件可能不再成立.机器学习领域的研究人员必须思考在非经典条件下如何应对更加复杂的实际问题,提出了更鲁棒、更灵活、可扩展、可复用的机器学习新模型.具体而言,包括迁移学习、异构数据的整合、分布变化条件下的机器学习、强化学习、弱监督学习、模型复用、资源受限的机器学习以及在特定领域中的应用等.为此,我们组织了非经典条件下的机器学习方法这一专题.

所属期刊栏目：31

在线出版日期：2020-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：909-911