近日，国际人工智能领域顶尖期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（ TPAMI, 模式分析与机器智能IEEE汇刊）在线发表了我院李天瑞教授研究团队的最新研究成果: “Micro-supervised Disturbance Learning: A Perspective of Representation Probability Distribution”，从表征概率分布的视角首次提出微监督扰动学习模型和深度框架。储节磊老师为该论文第一作者，李天瑞教授为论文通讯作者，这是我校计算机与人工智能学院组建以来首次在TPAMI期刊上发表重要研究成果，也是“智能+力学”学科交叉融合代表性成果之一。TPAMI是中国计算机学会（CCF）和中国自动化学会（CAA）等多个学会共同推荐的人工智能领域A类国际顶尖期刊（影响因子24.314）。本项研究得到了国家自然科学基金面上项目、重大项目子课题和四川省科技厅“5+1”产业重大科技专项等资助。
        原始数据的表征学习是机器学习领域的关键性基础研究，如何通过尽可能小的标签代价，为下游任务提供优异的数据表征也是机器学习领域的广大学者们不懈追求的目标。本论文受到力学领域小扰动思想的启发，从表征分布的视角巧妙地将小扰动思想融入到机器学习领域中，首次提出微监督扰动学习（Micro-supervised Disturbance Learning）方法，在深度表征学习的过程中逐渐施加小扰动激励，从而不断改善原始数据的表征分布，大幅度降低了表征过程中对数据标签的依赖。

        本论文提出的Micro-DL深度框架在公开的数据集（包括大规模数据集）上显示出了优越的性能。

附论文链接地址: https://ieeexplore.ieee.org/document/9965741

        李天瑞教授团队近年来始终专注于人工智能领域的前沿基础理论研究和面向国家重大需求的应用研究，并积极拓展“智能+”学科交叉融合场景，承担国家重点研发课题、国家自然科学基金等国家级项目20余项，研究成果已发表在PNAS、IEEE TPAMI、AI、IEEE TKDE、IEEE TEC、IEEE TFS、IEEE TIFS、IEEE TIP、IEEE TC、IEEE/ACM ASLP、IEEE TIE、IEEE TVT、ACM TIST等国际顶级期刊，中国科学、软件学报、计算机学报、自动化学报、电子学报、通信学报等国内顶级期刊以及AAAI、ACL、CVPR、ICDE、IJCAI、KDD、UbiComp、WWW、ICDM、CIKM、EMNLP国际一流会议等。