从AUC优化到XCurve——策不变学习的一般范式初探｜SPP第72期

在本期SPP报告中，首先对AUROC发展历史进行简要回顾，在此基础上介绍讲者团队关于复杂场景下AUROC优化拓展的相关工作，最终对AUROC背后的决策不变范式进行总结抽象，简要介绍团队所构建的性能曲线优化框架及其相关工作。欢迎参加本期SPP：12月20日（本周三） 19:30-21:00

近年来，机器学习/深度学习技术已在诸多应用场景普及，极大促进了人工智能领域的发展。然而，现有方法主要依赖固定决策条件（如分类问题中的阈值）下的指标评估并优化模型性能，对于决策条件变化的适应能力欠佳。在风险敏感场景中（疾病预测、异常检测、金融欺诈识别等），决策者对于误报的容忍度极低，恰恰需要动态调整决策条件使模型较为严苛的性能约束。面向此类复杂需求，现有机器学习难以规避由于决策条件变化带来的系统性偏差。

在心理物理学理论中，人类在信号感知过程中所表现出的决策偏差已被广泛认可。为进一步解决该问题，W. Peterson, T. Birdsall 及 W.Fox 于上世纪50年代公开提出了 Receiver Operating Characteristic curve （ROC 曲线）刻画不同阈值下的受试者信号识别真阳性率及假阳性率，并通过 ROC 曲线下面积（Area Under ROC Curve，AUROC）衡量不同阈值下的平均性能，规避了决策条件对于性能评估的影响。该指标于上世纪90年代初引入机器学习领域，截止至今，AUROC的指标性质、优化算法、泛化理论已得到广泛研究报道。在本期SPP报告中，首先对AUROC发展历史进行简要回顾，在此基础上介绍讲者团队关于复杂场景下AUROC优化拓展的相关工作，最后将对AUROC背后的决策不变范式进行总结抽象，简要介绍团队所构建的性能曲线优化框架及其相关工作。

本期直播你将收获哪些

1、了解AUROC相关研究的发展历史

2、了解深度学习框架下AUROC优化的前沿进展

3、了解AUROC优化背后的决策不变学习范式

演讲嘉宾

杨智勇

CCF专业会员，中国科学院大学副教授

杨智勇，中国科学院大学副教授，博士生导师，入选博新计划及中科院特别研究助理计划、研究方向聚焦决策不变的机器学习方法及理论，并参与形成了Xcurve一般化框架，在CCF-A类期刊及会议共发表论文50余篇，其中TPAMI/ICML/NeurIPS 20余篇（TPAMI 一作 5篇）。先后获得： CCF优秀博士学位论文激励计划 (原CCF优博)、CSIG自然科学奖一等奖、吴文俊人工智能科技进步二等奖、首届百度AI全球华人新星百强（机器学习领域 top25）、中国科学院百篇优博论文、百度奖学金全球20强、中科院院长特别奖、NeurIPS Top-10%审稿人等荣誉。担任IJCAI/ICML/NeurIPS/ICLR等顶级会议的SPC/reviewer/expert reviewer，担任TPAMI/IJCV/TIP/TMLR 等期刊审稿人。

开课时间

2023年12月20日（本周三）19:30-21:00