摘要

使用大型、精心策划的数据集为深度学习模型提供支持，可以在识别对象、场景、人类活动和属性方面产生前所未有的结果。然而，随着我们不断推进视觉识别的边界和类的数量不断增加，长尾巴成了房间里的大象，因为在现实世界中物体的频率通常遵循幂律。这就是学习的挑战。在野外推理期间，模型鲁棒性变得至关重要，因为野外数据通常不在训练数据的分布范围内（例如，对抗性示例、新领域的数据等）。

在这次演讲中，我将介绍我们最近在长尾视觉识别和复合域自适应方面的工作。我们从元学习、记忆网络、对抗训练和课程学习中获得灵感，从而开发出新的方法。我还将介绍一些实证研究，以验证我们的方法的有效性，并演示它们在高效查询黑盒对抗性攻击中的应用。

传记

龚博清是西雅图谷歌的研究科学家，也是伯克利ICSI的首席研究员。他在机器学习和计算机视觉方面的研究侧重于样本效率学习（例如，域适应、少快照、强化、网络监督和自我监督学习）以及对象、场景、人类活动及其属性的视觉分析。在2019年加入谷歌之前，他在腾讯工作，是中佛罗里达大学（UCF）的终身助理教授。2016年，他获得了NSF CRII奖，2017年获得了NSF-BIGDATA奖，这两个奖项都是UCF获得的第一个此类奖项。他是/曾经是NeurIPS、ICML、CVPR、ICCV、ECCV、AAAI、AISTATS和WACV的（高级）区域主席。他于2015年在南加州大学获得博士学位，维特比奖学金部分支持了他的工作。