南湖新闻网讯（通讯员 李伟夫）近日，理学院陈洪教授领衔的人工智能与统计学习团队以“Tilted Sparse Additive Models”为题在人工智能顶会ICML 2023（CCFA）发表研究论文并将在大会做口头报告(Oral Presentation)。

由于可加模型灵活的表示能力和出色的可解释性，近来在可信人工智能领域逐步得到关注和应用。然而，当前可加模型的算法框架大多基于经验风险最小化（ERM）原则来构建，其在处理具有复杂非高斯噪声、不平衡标签的数据时往往难以取得稳定可靠的性能。本文在倾斜经验风险最小化（TERM）框架下提出了一类新的稀疏可加模型，该模型通过对个体损失施加倾斜影响来减轻传统ERM原则稳健性的不足，并能实现变量选择、稳健估计、不平衡分类和多目标学习等多种学习目标。在统计学习理论方面，研究论文建立了所构建算法的泛化界和函数逼近误差界；在优化计算方面，将Prox-SVRG和随机傅立叶加速技术相结合，该文设计了一种加速的优化算法，并在模拟与真实数据上验证了新方法的有效性。

倾斜稀疏可加模型与相关稀疏模型的差异归纳如下：

近年来陈洪教授课题组在可加模型的算法与理论研究领域进行了较深入的探索，分析了影响可加模型泛化性和稳健性的理论机制，在人工智能国际顶会NIPS/NeurIPS、ICML、ICLR和期刊IEEE TNNLS等发表系列研究成果。当前工作突破了前期基于传统经验风险最小化的算法设计原则，进一步丰富了可加模型的算法设计路径。信息学院博士毕业生王英杰（现工作于中国石油大学（华东））为论文第一作者，理学院陈洪教授为通讯作者，悉尼大学陶大程院士、京东探索研究院何凤翔博士等参与了论文的研究工作。

审核人 李伟夫