黑盒机器教学泛化理论
数学专题报告
报告题目(Title)：黑盒机器教学泛化理论
报告人(Speaker)： 曹晓锋 副教授 (同济大学)
地点(Place)：后主楼1124
时间(Time)：2025年10月21日 （周二）10：00-11：00
邀请人(Inviter)：段玉萍
报告摘要
机器教学是机器学习的逆问题，它是实现人工智能的强假设理论。在假设空间中，假设削减通常最大化假设剪枝以快速地削减候选空间，降低标签复杂度。理论上，该学习者要求为非受限的白盒学习者。但当该问题退化为黑盒时，基于PAC的典型概率近似泛化理论无法获取安全保证。为此，黑盒机器教学理论被提出。它通过预置黑盒教师指引学习者削减候选假设空间，并获得更紧致的泛化误差和复杂度界。理论分析在典型在线采样理论算法IWAL的基础上，证明基于Black-box Teaching的原型方法可显著性降低模型无关假设的误差上界，并可快速派生新的假设更新收敛至近似最优假设。
主讲人简介
曹晓锋，男，现为同济大学长聘副教授。于澳大利亚悉尼科技大学获得哲学博士学位。他曾在澳大利亚人工智能研究院、新加坡前沿人工智能中心、香港科技大学、吉林大学等机构从事教学科研工作与学术交流活动。长期从事泛化分析理论、凸解析与非凸性近似逼近、非欧氏几何（如庞加莱圆盘与洛伦兹模型），以及相关多模态无界优化问题，在机器学习领域以及泛人工智能权威期刊和会议发表60余篇同行评议学术工作，如JMLR、IEEE T-PAMI、TNNLS、ICML、NeurIPS，并在先进应用领域主持和参与多项基础性和技术性研究课题，包括国家自然基金委面上/青年基金（黑盒基础解析对偶课题Learning vs. Teaching）、省级优秀青年基金、省面上基金、校励优秀青年教师计划等，另多次入选省部级人才计划与科学智能领域评审专家等，指导研究生获多项重要奖励和荣誉。在学术领域，他长期担任人工智能和机器学习领域旗舰期刊和会议的审稿人和程序委员会委员。
