基于损失函数的统计机器学习算法及其应用研究

目前，统计机器学习算法的理论分析方法已经出现了一些新的进展，特别是损失函数及其一致性的研究成功地解释了当代机器学习算法SVM和boosting。本项目的主要目的是从损失函数的观点出发，研究一些统计机器学习问题的理论分析、算法设计、稀疏性和在线学习等问题，并给出算法在目标检测或信息检索中的应用。

从正则化损失函数的观点出发，研究一些统计机器学习问题的理论分析、算法设计、稀疏性求解、在线学习和应用等问题。.具体来说，（1）提出了基于margin的损失函数加权方法，得到了处理不均衡数据问题新的损失函数设计方法；（2）提出了一种充分利用正包信息的多示例非凸学习算法；（3）提出一种对连续动力系统的离散化进行优化进而得到有效机器学习优化算法的思路；（4）对各种正则化损失函数学习问题提出了不同的坐标优化方法求解；最后，作为应用，提出了基于AdaBoost弹道识别和基于核的非线性盲源分离方法。.本项目总共发表论文10篇，录用论文3篇，其中IEEE Trans一篇，具有重要影响的机器学习会议NIPS和ECML各一篇。SCI检索1篇，EI检索8篇，一些成果已经被著名的国际会议和期刊引用。