部门介绍

机器学习实验室的主要针对机器学习领域传统方向和前沿方向开展基础性研究和部分示范性应用，旨在解决领域关键科学问题、突破机器学习算法和理论的局限性、推动人工智能的生态发展。

研究方向

（1）机器学习，主要针对机器学习的热门方向和经典方向，结合多领域交叉学科，开展基础理论研究，解决领域关键科学问题。

（2）统计学习理论，主要研究学习的统计性能、学习算法的收敛性、学习过程的复杂性，构建消除随机一致性后的学习系统的统计学习理论体系。

（3）强化学习，主要以当前强化学习最具代表性的模型AlphaZero为基础，研究棋类游戏自博弈模型的性能界；研究多臂赌博机最优臂确认问题的泛化性能界，探索蒙特卡罗树搜索最优动作的算法和性能界。

（4）对抗学习，主要针对传统机器学习的不安全性，探索系统的漏洞并提出合理的攻击策略，有效地评估防守系统的性能，旨在研究防守者与攻击者之间的利益均衡。

（5）集成学习，主要研究有效的集成策略，在从理论上回答集成学习为什么有效的根本问题。

（6）迁移学习，主要研究可迁移条件和有效迁移策略。

（7）概念学习，主要关注概念学习的3个内涵：概念自身的学习，概念间关系的学习（亦即概念网络的学习），基于概念的推理模式的学习。

未来预期

（1）突破机器学习算法和理论，解决领域关键科学问题；

（2）创新学习理论方法与应用，推动人工智能生态发展。