Fei Sha博士是美国南加州大学副教授，同时也是南加州大学健康数据、系统和算法中心 (DASH) 创始主任，主要研究方向为机器学习和人工智能。他在NIPS 2006和ICML 2004上获得了优秀学生论文奖。Fei Sha于2013年被选为阿尔弗雷德·斯隆 (Alfred P. Sloan) 研究院士，于2012年荣获陆军研究办公室青年研究员奖，并成为DARPA 2010计算机科学研究小组成员。他拥有宾夕法尼亚州大学的计算机和信息科学博士学位（2007年）以及东南大学（中国南京）的理学士和理科硕士学位。

议题：大数据如何帮助“小数据”？

大数据已成为人工智能领域取得重大进展的主要推动力。然而对于许多应用问题，由于害怕出现复杂模型产生的过适现象，人们开始凭借海量数据优化模型。目前看来，数据量似乎已成为性能上限。 然而在欣喜之余，我们还应记住，还有许多应用场景的数据量极其有限——例如预测罕见疾病的治疗效果，识别不常出现的视觉对象类型，以及识别言语生成器官受损的用户所发出的语音。简言之，我们还需要开发适用于小数据的方法。 报告将介绍演讲人所在团队在该方向的研究成果，并通过 3 个场景阐述：多任务学习、领域适应及零样本学习。该主题旨在从其他任务和相关（大）数据集中寻求帮助，以研究有关小数据的方法和模型。报告将探讨相关方法的制定，以及如何将它们运用到实际问题中。