分布迁移下的可信机器学习
机器学习
2025-12-30 v1 机器学习
摘要
机器学习（ML）是人工智能（AI）的基石主题，为其激动人心的发展提供了理论基础和实用工具。从面向视觉识别的 ResNet，到面向视觉-语言对齐的 Transformer，AI模型已实现超越人类的优越能力。此外，规模化定律使AI最初能够发展出通用智能， Large Language Models（LLM）便是一个典型例证。尽管如此，AI已对社会产生巨大影响，并继续塑造人类的未来。然而，分布迁移仍是持久的“阿喀琉斯之踵”，从根本上限制了ML系统的可靠性和通用实用性。此外，分布迁移下的泛化也会引发对AI可信度的质疑。针对这些挑战，我的研究聚焦于“分布迁移下的可信机器学习”，旨在扩充AI的鲁棒性、灵活性，以及其责任感和可靠性。我们仔细研究了三类常见的分布迁移：（1）扰动迁移、（2）域迁移、（3）模态迁移。在所有场景下，我们还严格地探讨了可信度，通过三个维度来衡量：（1）鲁棒性、（2）可解释性、（3）适应性。在这些维度之上，我们提出有效的解决方案和基本洞见，同时致力于增强关键ML问题，如效率、适应性和安全性。
引用
@article{arxiv.2512.23524,
title = {Trustworthy Machine Learning under Distribution Shifts},
author = {Zhuo Huang},
journal= {arXiv preprint arXiv:2512.23524},
year = {2025}
}
备注
PhD Thesis