“面向开放环境的`自适应感知研究进展”专辑序言

模式识别和人工智能领域60多年来的研究取得了巨大进展。尤其是近年来快速发展的深度学习(深度神经网络)方法,在视觉模式识别、语音识别、自然语言处理、博弈等智能感知和认知问题上都取得了超过传统的基于人工特征和知识规则的方法的性能,甚至超过人类水平。深度学习相比传统模式识别方法的最大特点是从数据自动学习具有很强判别性和表示能力的特征,从而得到很高的分类性能。然而,这些成功大多依赖于传统机器学习的三个基本假设:封闭世界假设(类别集固定)、独立同分布假设(测试数据和训练数据的分布一致且样本间相互独立)、大数据假设(需要大量样本估计模型参数)。在实际开放环境下,这些条件假设往往不满足,实际应用中存在许多不利因素,如类别集开放且动态变化,样本间相关且分布随场景或时间变化,标记样本不足且存在噪声样本等。