本网讯 2022年6月28日下午，香港科技大学（广州）文泽忆博士为我院师生开展主题为“传统机器学习研究的一些潜在价值”的学术报告，bat365官网登录入口教师、研究生和感兴趣的本科生聆听了报告，讲座由bat365官网登录入口李霞副院长主持。
文泽忆博士做“传统机器学习研究的一些潜在价值”学术讲座
现场师生聆听讲座
文泽忆博士从深度神经网络(DNN)与传统机器学习模型的对比切入，他指出，基于DNN的模型是当前众多现实问题的首选解决方案，但通常需要大模型、较长的训练和推理时间。而传统机器学习模型，如SVMs，通常较小而且训练和推理速度更快。文泽忆博士在报告中为大家介绍他所在团队的最新研究进展，包括通过自动化模块增强基于SVM模型的准确度。他通过“细粒度情感分析”的实际案例，为大家展示其团队设计的基于SVM的方案能取得和DNN相似的结果，甚至超过大部分基于BERT的模型。与基于BERT的模型相比，他们的方案在推理速度上快约40倍、在模型数量上少约100倍。最后的实验结果表明，增强后的SVM，在效率和准确度上都比已有的SVM方案更好。讲座后，文泽忆博士也与现场师生进行问答与交流。
讲座问答环节
附：主讲人文泽忆博士简介：
文泽忆博士，从澳大利亚墨尔本大学获得博士学位，现任香港科技大学（广州）助理教授。此前任澳大利亚西澳大学讲师、新加坡国立大学和墨尔本大学博士后。文博士主要从事机器学习系统、高性能计算及数据挖掘相关领域的研究，特别是利用图形处理器(GPU)及多核处理器优化机器学习训练及推理算法的执行效率。他带领研发的开源机器学习系统代表作包括：ThunderSVM 和ThunderGBM。两个机器学习系统的论文，均发表于机器学习顶刊Journal of Machine Learning Research (JMLR)。其中发表于2018年JMLR的论文，目前已经受到了140多篇学术论文的引用，并被用于图像分割及分类和蛋白质行为预测等现实任务中。ThunderSVM是目前世界上单机版最快的支持向量机(SVM)训练及推理系统，在获得相同的训练模型和相同的硬件环境的情况下，比常用的LibSVM库快10到100倍。两个项目在GitHub开源社区中获得近2,000个收藏，也被媒体报道（如Hacker News的头条)和在社交媒体上转发近5,000次。文博士目前已发表35篇科技论文，其中一作文章17篇、CCF A类文章21篇，现任JMLR副主编（Action Editor，负责开源机器学习系统区的投稿），经常在国际顶级会议（如KDD，SC，AAAI，CVPR，SIGIR）当程序委员会委员。他还是并行及分布式计算顶级期刊IEEE TPDS 2019年的最佳论文获得者(1/987)，及并行计算知名会议ICPP的2021年最佳论文入围者(4/329)。
初稿：陈劲鸥
审核：刘丽玉
终审：李霞
