研究方向
以下为结构框架。每个方向的具体描述、代表性工作和相关链接请自行替换。
表示学习 Representation Learning
面向高维、多源、弱标注数据的特征表示与降维方法，关注如何在样本有限或标注不完整的条件下获得判别性更强、泛化更稳的表示。
分类与聚类 Classification & Clustering
监督与无监督条件下的判别模型、度量学习与集成方法，以及类别不平衡、噪声标签等实际数据条件下的建模策略。
学习理论 Learning Theory
模型泛化性能的分析、优化方法的收敛性质，以及模型在分布偏移与对抗扰动下的鲁棒性。
应用研究 Applications
计算机视觉
图像与视频数据的识别、检索与理解。
医学影像
面向临床数据的辅助分析与建模。
生物信息
生物数据的模式发现与预测建模。
脑科学
神经数据的表示与分析方法。