报 告 题 目：认知启发的可解释学习探索

主 讲 人：景 丽 萍

单 位：北京交通大学

时 间：11月7日8:30

腾 讯 ID: 124-401-205

摘 要：

机器学习应用于众多关键领域中辅助人类做出决策，但大多数模型都是黑盒，导致我们常常知其然而不知其所以然，这促使研究者开始关注可解释机器学习提供人可理解的学习模型，更好的辅助智能决策。本报告针对机器学习模型解释性较差的问题，受心理学与认知科学启发，探索可解释学习机理，从模型影响力分析和特征解耦入手，研制面向不同应用场景的可解释学习理论框架与算法。相关方法旨在定位输入信息对深度特征学习的贡献，依据原始信息直观表达能力为深度模型提供解释信息；分解隐特征的语义表达，并与已有知识体系建立双向对接，提升模型的可解释性。相关工作在视觉目标识别和智能推荐领域均取得了较好的应用效果。

简 介：

景丽萍，北京交通大学教授、博士生导师，现任计算机与信息技术学院副院长。担任中国人工智能学会机器学习专委会常委、中国计算机学会人工智能与模式识别专委会秘书、北京市海淀区第十七届人大代表。先后入选国家级青年人才计划、北京市课程思政教学名师、北京交通大学卓越百人，获评北京交通大学“巾帼十杰”、“优秀教师”等。主持多项国家级和省部级科研项目，包括国家自然基金优青项目、科技部新一代人工智能重大专项、国防科技创新重点项目、教育部人工智能算法战略研究项目、北京市自然基金重点研究专题等。近年来在国内外重要学术期刊和会议上发表多篇高质量论文（包括CCF-A类顶级国际学术会议NeurIPS、AAAI、ACL、ICCV、ICLR、WWW、CVPR，顶级学术期刊IEEE TPAMI、JMLR、IJCV等），相关研究成果已成功应用于智能交通、智能芯片、智能教育、智能国防等领域。