當前位置:首頁 > 新聞中心 > 學術活動

學術活動

法国贡比涅技术大学Thierry Denoeux教授访问模式识别国家重点实验室

  • 发表日期:2019-11-13 【 【打印】【關閉】
  •   20191112日上午,法國貢比涅技術大學Thierry Denoeux教授應邀訪問模式識別國家重點實驗室,並做了題爲《On New Connections between Deep Learning and The Theory of Belief Functions》的學術前沿報告。 

      Thierry Denoeux教授介紹了Dempster-Shafer理論中的置信函數在不確定性建模和推理上的應用,特別是介紹了Dempster-Shafer理論與Logistic回歸以及多層神經網絡回歸模型的等價性。在本次報告中,Thierry Denoeux教授首先介紹了Dempster-Shafer理論和基于該理論的建模方法。該方法主要是將獨立的觀測證據用置信函數表示,然後利用Dempsters rule置信函數的結合律來結合所有的觀測證據。在此之後,他以Logistic回歸爲例回顧了機器學習模型。對于多層神經網絡,可以將第一層至倒數第二層網絡看作是一個特征提取器,而最後一層可以看作傳統機器學習模型中的分類器。接下來,他介紹了Dempster-Shafer理論與Logistic回歸的等價關系。具體來說,每一個特征表示的輸入可以看作Dempster-Shafer理論中的一個證據。每一個證據對特定的類別的mass function是特征信號的線性組合。在假設每個證據是相互獨立的情況下,利用Dempster結合律,所得到的歸一化的置信函數與Logistic回歸模型完全相同。類似的方法也可以擴展到其他機器學習模型中的分類算法中,如支持向量機等。在最後Thierry Denoeux教授總結道相較于概率的模型,基于Dempster-Shafer理論的模型在量化不確定性方面更有優勢。 

      在報告期間和報告之後,與會師生對Dempster-Shafer理論在深度學習的應用等方面與Thierry Denoeux教授進行了廣泛的交流。探討了該理論在開放性、不確定的環境中模式識別方面的應用,深入討論了在處理高置信度的分類問題、增量學習上Dempster-Shafer理論的優勢等。 

      Thierry Denoeux教授是法國貢比涅技術大學信息工程學院的的傑出教授。他是置信函數和應用學會(Belief Functions and Applications Society)的主席。他的研究興趣主要在不確定性智能系統以及在不確定條件下的推理和決策。他的主要貢獻是關于置信函數理論,以及在統計推斷、模式識別、機器學習和信息融合等方面的應用。他目前是兩個Elsevier期刊《Array》以及《International Journal of Approximate Reasoning》的主編(Editor-in-Chief),並且是《Fuzzy Sets and Systems》和《International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems》等多個期刊的副主編(Associate Editor)。