2026年6月4日晚上，华侨大学计算机科学与技术系副主任刘景华副教授为我院师生作线下专题报告。本次报告由毛煜副教授主持。

本次报告聚焦于机器学习领域的偏标记学习前沿问题。刘景华副教授首先介绍了研究背景，指出传统机器学习通常假定模型学习和测试过程处于封闭、静态的环境中。而偏标记学习作为一类重要的弱监督学习方法，其训练样本通常关联多个候选标签，但仅有一个标签为真实标记。随着数据环境的不断开放与动态变化，标签持续到达、新类别不断涌现等问题给传统偏标记学习模型带来了全新的挑战。

报告详细阐述了开放环境下偏标记学习的两个核心关注点：偏标记特征选择与偏标记分类学习。在“流标记环境下的偏标记特征选择”部分，刘教授指出特征空间常面临高维性（包含冗余和无关特征）、标记带有噪声以及流标记随时间流入等难题。为此，她展示了一种优化模型，该模型通过近邻关系指导标记置信度估计，并动态更新标签置信度矩阵以判断是否对标记进行立即消歧，从而高效获取高质量特征。

针对“新兴标记环境下的偏标记分类学习”，刘教授剖析了传统方法的局限性：现有方法通常基于共享特征空间进行学习，并默认训练集与测试集满足固定一致的标签空间假设。然而在新兴标签场景下，标签空间是动态扩展的（甚至可能无限增长），且新标签可能在任意时刻非规律出现，往往缺乏先验信息与充足的监督样本。此外，报告还深入探讨了“标记歧义性（偏多标记）”的挑战，指出在偏多标记学习（Partial multi-label Learning）中，每个样本对应的候选标签集包含了多个真实标签和多个噪声标签，大幅增加了噪声标记的不确定性。围绕这些痛点，本次报告重点探讨了如何从不确定监督信息中恢复真实标签、挖掘判别特征并提升模型对动态标签空间的适应能力。

在报告的最后，刘教授对将来的工作进行了展望，提出构建“开放环境下高维数据三维度分析方法与理论”框架。该体系框架综合考量了数据（单示例、多示例的One-Pass、演进与半监督）、特征（单视图、多视图的缺失与新增）以及标记（单标记、多标记的流标记、新兴标记与噪声标记）三个核心维度，旨在为网页文本分类等复杂真实场景提供更完善的理论支撑与解决方案。

报告人简介：刘景华，女，博士，副教授，硕士生导师，计算机科学与技术系副主任。先后入选福建省高层次人才（B类），厦门市高层次人才，泉州市高层次人才。现为IEEE 高级会员（Senior Member），CCF高级会员，中国人工智能学会知识工程与分布智能专委会委员，中国人工智能学会粒计算与知识发现专业委员会委员。近年来，一直专注于机器学习、数据挖掘、以及粒计算理论及应用等方面的研究，主持国家级、省部级科研项目多项，已在国内外知名期刊和会议上（IEEE Transactions on Fuzzy Systems、ACM Transactions on Knowledge Discovery from Data、IEEE Transactions on Multimedia和《计算机学报》等）发表论文60余篇，其中SCI收录50余篇，ESI高被引3篇，谷歌学术总引用2500余次。

编 辑：庄露璇

责 编：李小红

编 审：陈小玲