（通讯员 黄静）近日，智能与计算学部收到国家自然科学基金委信息学部对2017年获批的重点项目的结题评审意见，学部胡清华教授负责的项目“面向大数据机器学习的不确定性建模理论与方法（批准号：61732011）”获得优秀评价。
该项目由天津大学负责，深圳大学参与，执行期为2018年1月1日至2022年12月31日。五年来，项目团队共发表论文120篇，其中期刊论文79篇、会议论文41篇，IEEE、ACM汇刊论文共计42篇，CCF-A类会议论文19篇，获得ICME最佳论文奖以及CVPR 2020最有影响力15篇论文。申请发明专利15项。项目研究成果先后获得天津市科技进步一等奖和中国图象图形学学会自然科学一等奖。
五年来，项目团队培育国家杰出青年基金获得者1人，国家优秀青年基金获得者2人，国家青年拔尖人才计划获得者1名，“博新计划”获得者1名，中国科协青年人才托举工程入选者1名，另有博士后5名，博士研究生10名、硕士研究生32名。
五年来，研究团队围绕大数据的不确定性度量和表示、深度学习的认知不确定性建模以及鲁棒高效的机器学习算法开展研究。在“深度学习的不确定性”和“不确定指导的深度学习”主题上发表了一系列成果。
深度学习不确定度量和信息提取：借助于概率机器学习建模和修复数据不确定性的能力，将概率分布建模作为预测表达与深层模型相结合，提出了深层高斯分布神经网络[TPAMI 2020]和深层非高斯分布神经网络[CVPR 2019, NeurIPS 2018]，克服了概率分布建模在端到端深度学习框架下难求导、不稳定、效率低等优化难题，显著提升深度模型的泛化能力和鲁棒性。分析了概率分布建模在深度模型中的作用机理，实现模型效率再优化, 将模型核心计算复杂度从立方阶和平方阶分别降低到线性阶和对数阶[CVPR 2020, NeurIPS 2022]。
图1.深层概率分布建模网络
不确定性多模态数据动态融合：揭示了多模态数据具有效用动态特性，提出了基于主观逻辑的多模态不确定性刻画和融合技术，突破了现有多模态协同方法部署后形成“思维定势”的局限。基于泛化学习理论，证明了动态融合是多模态融合的最优路径，并严格给出了性能提升的理论保证。设计的算法在智慧交通、智慧医疗中取得优异性能，相关工作发表在顶级期刊及国际会议[IEEE TPAMI 2022/ICLR 2021/NeurIPS 2021]。
图2.多模态动态协同方法与理论
