AIRS in the AIR | “机器学习与优化方法”系列讲座精彩回顾
十
月
回
顾
机器学习与优化方法
01. Optimization for Machine Learning
02. 分布式机器学习和可信机器学习
03. 多智能体强化学习
04. 机器学习与优化方法
01. Optimization for Machine Learning
视频回顾：https://www.bilibili.com/video/BV1VG4y1n7H5/
我们的顺序二次优化（SQP）方法适用于解决各类问题，如训练有约束的机器学习模型。——Frank E. Curtis（里海大学工业与系统工程系教授）
我们针对一类黎曼流形上的优化问题，提出了约束分解方法，该方法的收敛特性可以直接继承现有的丰富的无约束优化结果，建立了从无约束优化到黎曼优化的捷径。——刘歆（中科院数学与系统科学研究院冯康首席研究员）
02. 分布式机器学习和可信机器学习
视频回顾：https://www.bilibili.com/video/BV1Je4y177Es/
机器学习面临的一个主要挑战是如何有效地从敏感数据中学习。解决此问题的一种有效方法是在学习过程中使用差分隐私（DP）技术。——王帝（沙特阿卜杜拉国王科技大学计算机系助理教授）
训练多个强化学习智能体并使其进行博弈是具有挑战性的，主要原因是在求解博弈均衡、例如纳什均衡时不存在多项式解法。——杨耀东（北京大学人工智能研究院助理教授）
03. 多智能体强化学习
视频回顾：https://www.bilibili.com/video/BV1Qe4y1e72y/
多智能体的决策和控制是未来人工智能非常重要的发展方向。——张崇洁（清华大学交叉信息研究院助理教授）
相比中心化训练、去中心化执行，完全去中心化学习在鲁棒性、可扩展性和通用性方面表现更好，是多智能体强化学习的一种有发展潜力的范式。——卢宗青（北京大学计算机学院助理教授）
04. 机器学习与优化方法
视频回顾：https://www.bilibili.com/video/BV1ne4y1x7Lu/
基于动态和包含动态的隐私保护方法，在实现隐私保护的同时也保证了精度。——Yongqiang Wang（克莱姆森大学电气与计算机工程副教授）
RA-AGD和RA-GMM在二次优化和逻辑回归问题上比标准参数选择的性能更好。——Mert Gurbuzbalaban（罗格斯大学管理科学与信息系统系副教授）
感谢观众小伙伴对 AIRS in the AIR 活动的支持，我们也非常希望听到大家的宝贵意见与想法，以便日后带来更精彩的活动。
您对活动有哪些意见建议？未来还想了解哪些内容？欢迎在 AIRS 公众号后台留言。同时，您将有机会得到精美礼物。
相关阅读
AIRS in the AIR 往期视频回顾请前往哔哩哔哩观看：https://www.bilibili.com/video/BV1yr4y1z7zr/?spm_id_from=333.788