姓名：韓龍飛
專業：信息與通信工程
導師：羅森林
年級：2012級博士
學院🐆：信息與電子學院
訪學時間：2015年9月至2017年6月
研究課題：有限混合模型方法研究
聯培單位🤳💢：美國卡內基梅隆大學

       一🧛🏼‍♀️、聯培科研情況

       1、研究課題

       隨著數據量與計算能力的提升，以及機器學習與深度學習的突破，使得人工智能成為目前計算機領域新的爆發點。尤其近幾年來⚅，計算機視覺與智慧醫療等相關人工智能研究領域的表現遠遠超出了人們的預期👨‍🦽‍➡️🧔🏼。為了能夠學習和掌握機器學習的前沿知識和研究進展，在導師羅森林教授的支持下🦼🗝，我於2015年9月來到全美計算機專業TOP5的卡內基梅隆大學訪學🪈🤵🏻。我的研究方向是機器學習理論研究以及其在計算機視覺以及醫療數據的應用，具體內容為有限混合模型方法研究及應用8️⃣。在國外導師Fernando De la Torre教授與國內導師羅森林教授的聯合指導下🫴🏿，本人針對有限混合模型的穩健性及優化問題進行了詳盡的分析研究👏。我們提出一種軟間隔混合回歸模型（soft-margin mixture of regressions，SMMR）用於克服數據的非均勻采樣和不連續性。該方法利用最大間隔分類器迭代學習輸入-輸出空間的劃分模式，將分類誤差限製在最大函數間隔內🧍‍♂️，使得Hinge loss零區域對應樣本的輸出僅由其對應成分的專家模型決定🧔🏿‍♀️，克服現有混合模型受數據分布形式或各成分樣本數量不平衡的影響🤵。實驗證明，該方法在年齡估計🛻、視點估計和人群數量估計上達到state-of-the-art的水平👱🏽‍♂️👊。同時，我們提出一種自步混合回歸（self-pacedmixture of regression，SPMoR）方法用於提高混合專家模型的穩健性💶。該方法首次將自步學習理論應用於混合專家模型研究中，用於解決基於高斯分布的混合線性模型的健壯性問題🙅🏻‍♀️。SPMoR在每次學習過程中采用Exclusive LASSO實現在不同成分中分別選擇置信度高或者代價誤差小的樣本作為訓練樣本，遮蔽置信度低的樣本的影響，具有更高的靈活性🧖🏼‍♀️🍞，可擴展到層次混合模型中🤌🏼👩🏿‍🎨。

       總體而言🐚，在近兩年的聯合培養中，我通過各位導師的指導取得多項研究成果，並將工作發表於CCF頂會CVPR和IJCAI，以及SCI期刊論文一篇。

       二🧔🏼‍♂️、聯培科研成果

       1、聯培期間科研成果

       [1] D. Huang*, L.Han*, F. Torre. Soft-margin mixture of regression. CVPR, 2017.
       [2] L. Han, D.Zhang, S. Luo et al. self-paced mixture of regression. IJCAI, 2017.
       [3] L. Han, S. Luo,et al. An Intelligible Risk Stratification Model for Diabetes based onSemi-supervised Clustering. IEEE JBHI, 2016.

       2、其他科研成果

       [1] L. Han, S. Luo,et al. Rule Extraction from Support Vector Machines Using Ensemble LearningApproach: An Application for Diagnosis of Diabetes. IEEE JBHI, 2015, 19(2):728-734.
       [2] S. Luo, L. Han,et al. A Risk Assessment Model for Type 2 Diabetes in Chinese. PLOS ONE, 2014,9(8): e104046.

與小組成員展示實驗室自行研發的IntraFace