《开放环境下的度量学习研究》以模型在开放环境下输入、输出层面上面临的挑战为切入点，提出针对或利用度量学习特性的具体算法，从理论和应用等多个角度使度量学习的研究能够契合开放的环境。
《开放环境下的度量学习研究》从理论上分析了度量学习的泛化能力，提出了降低样本复杂度的策略；提出了一种应用度量语义变换在小样本情况下应对特征变化的学习方法；提出了能够灵活挖掘并自适应利用开放环境中复杂语义的多度量学习框架；提出了一种利用分布扰动以适应输入特征和对象关系噪声的度量学习方法。
《开放环境下的度量学习研究》提出的理论和方法可以为度量学习相关领域的研究生或从业人员提供一些借鉴和帮助。
《开放环境下的度量学习研究》内容荣获2021年“CCF优秀博士学位论文奖”。
如何从数据中学习有效的度量是人工智能、机器学习的基础问题之一。度量学习技术在海量单语义标注样本的条件下取得了巨大成功，而获取标注需耗费人力物力，这使得仅具有少量标注样本、具有标注噪声且囊括多样化语义的“开放环境”度量学习备受关注。实践中基于少量标注样本的度量学习方法难以适配环境、任务的变化。如何提升度量学习的效率，增强度量学习对多样化语义的表示能力，提升度量学习对噪声的容忍度，使度量可以有效支撑开放环境下的机器学习应用成为重大挑战。
《开放环境下的度量学习研究》对度量学习在开放环境中所面临的挑战进行了总结，从理论层面分析了度量学习的泛化能力，提出了一种应用度量语义对异构模型特征进行变换、利用分布扰动以适应输入特征和对象关系噪声的学习框架，以及一种适用复杂语义的多度量学习方法。
《开放环境下的度量学习研究》对度量学习的研究与开放环境中度量学习的需求密切相关，进一步推进了度量学习方法在实际任务中的应用。
|
