人才培养

一、开题答辩题目：面向多样性优化的集成学习算法研究

二、开题答辩人：何冠雄

三、开题答辩时间：2025年12月28日15:00

四、开题答辩地点：友谊校区毅字楼6楼606会议室

五、开题内容简介：

针对当前机器学习在小样本、低质量数据及隐私受限等现实场景下面临的泛化能力不足与鲁棒性差的挑战。集成学习通过组合多个具有差异性的基学习器，为解决此类问题提供了有效途径，其性能优化的关键在于最大化并有效利用模型间的“多样性”。然而，现有方法在多样性的生成、维持与融合等环节存在诸多不足，如多样性生成机制多为被动且依赖启发式策略，在噪声干扰下易于退化，并在分布式隐私保护场景中面临机制性冲突。为此，本课题提出构建一个贯穿采样、表征到决策全流程的多维度多样性优化框架，以期从根本上提升集成学习的性能边界与鲁棒性。具体而言，研究将从五个层面深入：一是在噪声数据下，探索维持并增强多样性的鲁棒优化方法，解决因数据质量低下导致的多样性退化问题；二是在分布式场景下，设计兼顾隐私保护与多样性利用的协同优化机制，化解二者间的内在矛盾；三是变被动的多样性采样为主动的、与全局目标深度耦合的优化过程，确保多样性的生成服务于最终目标；四是深入模型表征层，通过显式正则化手段强制学习互补性特征，提升多样性的深层有效性；五是构建端到端可优化的全局决策模型，以取代传统的局部启发式融合策略，从而最大化多样性对最终性能的贡献。综上所述，本研究期望通过对多样性的系统性重构与优化，不仅在理论上推动集成学习的发展，更为提升机器学习模型在复杂现实应用中的泛化能力、鲁棒性与安全性提供一套全面而有效的解决方案。

六、开题答辩人简介：

何冠雄，男，学号2024100623，光电与智能研究院，导师聂飞平教授，主要研究方向为集成学习与联邦学习。