报告题目：基于统计机器学习方法的变化检测
报告人：柳松，东京工业大学，计算机系，杉山将研究室特别研究员（博士后）
时间：2014年8月18日（星期一）10:00
地点：校本部理工楼410室
报告摘要：传统的机器学习是普遍基于“静态”数据的，可是因为数据的多变性，今天学习的模型可能明天就没有任何意义。因此，数据的不稳定性和变化性给传统机器学习带来了重大挑战。如何检测变化，提取数据中变化的特征，也成为了一个重要的课题。
在本研究中，我们注重于进行变化的检测，并且提出两种变化检测的方法，分别应用于检测概率分布的变化和马尔科夫随机场中结构的变化。虽然两种方法有不同的实际应用，但是都是通过学习“概率密度的比值”这一基本原理来实现。首先，我们提出一个针对时间序列的变化检测方法，即直接学习一个统计Divergence来确定当前时域和前一时域中概率分布变化的程度。相比通常的Kullback Leibler Divergence，或者是皮尔逊 Divergence，我们提出使用”相对皮尔逊Divergence“来进行更加稳健地学习，以避免异常值对学习结果的过度影响。其次，我们提出一个检测马尔科夫随机场中结构变化的方法。在此方法中，利用学习概率密度比值，我们可以直接判断其随机变量相关性的变化。本研究最引人注意的是，因为是直接学习变化，我们避免了直接对一个更加复杂的问题：即概率密度本身的估计。针对上述两个提出的方法，我们在人工数据和真实数据上进行试验，结果显示我们的方法是有效和令人满意的。
报告人简介：柳松，2009年毕业于博彩平台-博彩平台推荐 ，同年进入英国布里斯托大学修硕士，次年获得杰出硕士学位(MSc with distinction)。2011年入学东京工业大学，杉山将实验室修博士学位。2014年博士毕业。现任日本学术振兴会研究员（博士后）。主要研究领域是统计机器学习，概率图模型，马尔科夫随机场，以及变化检测。