王钰教授成果荣登国际会议 ICPR 2024

发布日期:2024-11-11

近日，现代教育技术学院王钰教授在神经网络模型优化与模型性能度量研究领域取得重要进展。其两项相关研究成果分别以《A Hyperparameter Optimization Method Based on Statistical Orthogonal Design for Neural Network Models》以及《Non-symmetrical Confidence Interval of AUC Measure Based on Cross-Validation》为题，成功被人工智能领域极具影响力的国际会议 ——International Conference on Pattern Recognition（ICPR 2024）接收。

在神经网络模型的应用中，超参数优化一直是提升模型性能的关键环节。实验室提出的基于统计正交设计的超参数优化方法，创新性地引入了先进的统计分析理念。通过严谨的正交设计实验，能够系统地、高效地探索超参数组合空间，有效避免了传统优化方法中盲目试错所带来的资源浪费与效率低下问题。该方法显著提高了神经网络模型超参数优化的准确性与速度，使得模型在面对复杂任务时能够更快速地收敛到最优性能状态，为人工智能技术在诸如图像识别、语音识别、自然语言处理等众多领域的大规模应用提供了强有力的技术支撑，有望大幅缩短模型训练时间并提升模型的泛化能力。

与此同时，在模型性能度量方面，关于基于交叉验证的 AUC（Area Under the Curve）非对称置信区间的研究成果同样意义非凡。AUC 作为衡量模型分类性能的重要指标，其准确性与可靠性对于评估模型质量至关重要。王钰教授通过深入剖析交叉验证过程中的数据分布特性与不确定性因素，成功推导出 AUC 的非对称置信区间计算方法。这种非对称置信区间能够更加精准地反映 AUC 指标的真实不确定性范围，相较于传统的对称置信区间估计方法，为模型性能评估提供了更为细致、准确的信息。这不仅有助于研究人员更全面地了解模型在不同应用场景下的表现，还能够为模型的进一步优化与改进提供更具针对性的方向指引，从而推动人工智能模型开发流程的科学化与精细化。

此次两项成果被 ICPR 2024 国际会议接收，这是王钰教授在神经网络领域辛勤耕耘的结晶，也是对学院科研实力与创新能力的认可，为后续的科研工作奠定了坚实的基础。

责编 | 祁   华

二审 | 王   伟

三审 | 宋毅君