首页   ·   科研   ·   学术报告   ·   正文

假阳(阴)性约束条件下的分类算法与应用

报告人: 浦剑
讲者简介: 浦剑,华东师范大学计算机科学和软件工程学院数据科学系副研究员。2014年在复旦大学获得理学博士学位,2016年在中国科学院神经科学研究所博士后出站。长期从事人工智能、机器学习和医疗影像数据的分析与研究。目前主持国家自然科学基金项目一项,并参与多项国家自然科学基金面上和重点项目。目前已发表国际知名会议与期刊论文二十余篇,谷歌学术统计的总引用超过700余次。
报告地点: 光华楼东主楼2401
报告时间: 2019.3.15 10:00

在疾病诊断、邮件筛查等实际应用中,我们通常需要构造一个带有严格假阳(阴)性约束的分类器,这一类问题在文献中通常被称为Neyman-Pearson分类问题。我将首先介绍三类现有的主要方法:拉格朗日方法,代价敏感学习,以及排序-阈值法。随后,我会详细介绍我们在排序-阈值方法两项最新的研究进展:tau-FPL和NN-KD算法。其中,tau-FPL算法主要提升了风险区域附近的排序精度,减少了排序函数训练的时间复杂度。NN-KD算法则是将假阳(阴)性约束应用到了以MLP和CNN为代表的深度神经网络中。最后,简单介绍我们在疾病筛查领域的最新应用。