报告题目：
针对元学习问题学习面向原型的集合表征
报告摘要：
集合数据（即多个元素的无序集合）涉及到机器学习中很多应用，如解析一组对象组成的场景，对三维点组成的物体进行分类等。由于元学习问题处理了多个不同的数据分布，我们也可将其看作集合输入任务，每个分布对应于一个集合。上述两者都是为了提高模型对测试集合的快速适应能力，一般情况下元学习由于样本数量的限制或新分布的出现更加困难。尽管集合输入任务的广泛性和重要性，如何处理集合任务仍是机器学习中尚未成功解决的问题。本次报告将介绍我们在ICLR2022上发表的工作：构造一个面向原型的最优传输框架。具体而言，考虑到集合输入任务（包括元学习）中的所有集合是相关的，即存在共享的统计信息，我们将采用最优传输距离（OT）学习这些统计信息，改进集合输入任务的性能。报告将展示如何用所提方法解决统计信息估计、数字加和、点云分类、小样本分类、小样本生成等任务。
报告人简介：
郭丹丹，西安电子科技大学2020届博士研究生，目前在香港中文大学（深圳）数据科学学院进行博士后研究，师从机器学习著名学者查宏远教授。她的主要研究方向是模式识别机器学习，包括贝叶斯动态模型构建与统计推断、元学习、算法公平性研究、最优传输理论，所涉及的应用有图像生成及分类、文本分析、自然语言生成等。她专注于现实应用中小样本分类、小样本生成、训练数据分布有偏等问题，着重从分布校正、分布拟合、分布匹配等角度展开研究。她的科研成果发表在机器学习国际顶级会议、期刊上，如ICML、NeurIPS、ICLR、IJCV、TNNLS等。同时，她也是多个国际会议的程序委员会委员和期刊审稿人，如ICML、NeurIPS、ICLR、JMLR、TSP等。
报告时间：
2022年9月2日 （星期五）上午9:00-10:00
报告地点：
腾讯会议 903-841-084
