研究内容

当前的深度学习方法大多是针对特定的任务，通过大量标注数据构建个性化模型，这种“大数据、小任务”范式的深度学习模型的泛化能力有限，严重制约其落地推广应用。针对当前深度学习模型在医学影像分析、雷达信号分析、水下多媒体分析等多种应用落地时存在的问题，本团队将开展面向“小数据、大任务”的机器学习基础理论研究，重点研究将深度学习模型与因果学习、联邦学习、图模型等新兴理论结合，发挥模型驱动方法与数据驱动方法的综合优势，解决应用中常存在的数据少样本以及系统资源（计算、存储与能耗）受限等给模型泛化能力带来的挑战，并基于已有的应用研究基础，将相关基础理论在医学影像分析、雷达信号分析、水下多媒体分析等多种应用中落地。

研究成果

团队近5年在机器学习相关领域发表论文多篇，其中IJCV、TIP、CVPR/ICCV/IJCAI/AAAI/ACM MM等CCF A类论文30余篇，IEEE TSP、Signal Processing、IEEE TNNLS等著名期刊发表论文数十篇，获得Signal Processing期刊2020年度唯一最佳论文奖，负责人的Google引用率近5100次，引用超过百次的论文十余篇。团队主持JWKJW基础加强项目课题、国家自然科学基金重点项目子课题、面上、青年等在研纵向项目10余项，获得深睿医疗、中电十四所、腾讯公司等医疗、雷达等相关领域著名公司的横向项目多项，多个单项项目经费达百万以上，在研项目总额逾千万。相关成果获得2019年度吴文俊人工智能自然科学三等奖，福建省科技进步二、三等奖。指导学生在多个人工智能国际赛事上获得第一的好成绩。

招生要求

1.招生范围：人工智能、计算机科学与技术、软件工程、信息与通信工程、数学等相关专业全日制本科毕业生及硕士毕业生；

2.语言要求：英语6级或雅思6.0及以上；

3.其他要求：具有较好的数学基础及扎实的编程能力，有相关研究经验优先考虑。

注：团队博士研究生招生上限1人，硕士研究生招生上限4人

团队联络人：丁兴号 dxh@xmu.edu.cn