李文，电子科技大学教授，博士生导师。2015年获新加坡南洋理工大学博士，其后在瑞士苏黎世联邦理工学院计算机视觉实验室从事博士后研究工作，2019年入选国家海外高层次人才计划。主要研究方向为计算机视觉与迁移学习，专注于开放场景下的视觉模型泛化性难题，提出多个有影响力的跨领域的目标检测、语义分割等计算机视觉算法模型，在T-PAMI、IJCV、CVPR、ICCV、ECCV等在内的领域重要国际期刊和国际会议论文70余篇，Google Scholar的总引用次数7600余次。担任领域内重要学术期刊和国际会议审稿人或程序委员会委员、CVPR2024、AAAI 2023、AAAI 2021、WACV 2024、WACV 2023领域主席、ACM Computing Surveys编委（Associate Editor）等。带领团队荣获国内外多项人工智能竞赛奖项，并承担国家自然基金、四川省重点研发计划等项目。

报告题目：基于假设差异理论的数据与模型泛化性研究

报告摘要：近年来，以深度学习为代表的数据驱动的机器学习方法在计算机视觉任务中取得令人瞩目的成功。但数据驱动的机器学习方法也存在数据依赖的问题，在训练数据不足或场景覆盖有限情况下表现往往不佳，面临泛化性的挑战。在本报告中，我将基于假设差异（Hypothesis Discrepancy）理论来讨论几个不同的机器学习泛化性问题，包括领域适应、半监督学习和黑盒攻击。具体地，我将从领域差异问题出发，将该理论延展到更一般的泛化性问题中，探讨如何利用假设差异理论来分析和理解这些任务，并设计相应的算法来提升模型在这些任务中的性能。

直播时间

8月22日（星期二）19:00-20:00

腾讯会议室

会议号：411-3792-7818

请添加会议官方微信：CSIG_1990，备注“云讲堂”获取入群邀请