报告摘要：迁移学习是机器学习领域的前沿难点，其理论与算法之间的鸿沟尚未弥合，导致理论对算法的指导不足，算法的理论保证欠缺，成为制约该领域发展的重要问题。本报告首先对经典的迁移学习理论及其算法实现进行综述，分析其存在的不足。进而，我们提出了迁移学习的新型严格泛化理论，针对多分类问题最常用的计分函数假设空间和间隔损失函数，推导了间隔分歧散度，打通了训练域的经验风险与测试域的期望风险的严格数学关系。在此理论的指导下，提出了极小化极大博弈的深度迁移学习算法，兼具严格的理论保证和优异的实验效果。最后，本报告还将探讨迁移学习理论的未来发展方向。
龙明盛，清华大学软件学院副教授，博士生导师，大数据系统软件国家工程实验室机器学习组组长。分别于2008和2014年从清华大学获学士和博士学位，2014-2015年在加州大学伯克利分校大数据实验室（AMPLab）、统计人工智能实验室（SAIL）从事研究工作。研究领域包括机器学习理论、算法和系统，特别是迁移学习、深度学习、预测学习及其在图像视频识别、预测任务中的应用。以第一作者或通讯作者在ICML/NIPS/CVPR等CCF-A类会议和期刊上发表论文46篇，谷歌学术引用超过3700次，其中在ICML 2015发表的深度迁移学习论文单篇引用800余次。担任ICLR领域主席、ICML/NIPS/CVPR等国际会议（高级）程序委员会委员。主持国家重点研发计划子课题、国家自然科学基金课题3项，授权国家发明专利20项。获2012国际数据挖掘会议最佳论文提名，2016中国人工智能学会优秀博士论文，2018教育部技术发明一等奖（第4完成人）。
