报告时间：2026年10月30日（周五），13:30—15:30

报告地点：物流楼506

主 讲 人: Hamido FUJITA

报告摘要：

机器学习的训练问题是影响系统可信度和性能的关键环节，也决定了其能否稳健应用于装备智能运维等领域。在早期预测等具有挑战性的场景中，机器或算法通过数据学习。然而，数据规模庞大、类别不平衡以及噪声等问题，往往降低预测可靠性，因此模型需要具备更强的韧性和鲁棒性。监督学习一直是人工智能解决方案的重要基础，但由于大数据标注困难，以及数据中存在弱关联和噪声等关键问题，其应用受到限制。半监督学习（如多视图学习）可用于缓解这些问题。现有大量研究仍未能充分解决如何构建无偏且高效，并在数据驱动系统中兼具鲁棒性和韧性的机器学习模型。多分类任务在类别定义、偏差、样本不平衡和弱关联等方面仍存在问题，使相关分类或回归分析的可靠性与安全性受到影响。本讲座还将讨论可解释人工智能，以及其在提升人工智能解决方案可信性方面的作用。

主讲人简介：

Hamido Fujita 现任马来西亚理工大学（UTM）马来西亚-日本国际技术学院（MJIIT）教授，并担任 SEiR（软件工程与工业革命）i-kouza 负责人；同时担任日本一般社团法人 i-SOMET 执行理事长、日本岩手县立大学杰出教授及西班牙格拉纳达大学研究教授。他于2019年入选科睿唯安跨学科领域高被引研究人员，并于2020至2023年连续入选计算机科学领域高被引研究人员。2013年获匈牙利奥布达大学名誉博士学位，2018年获罗马尼亚蒂米什瓦拉理工大学名誉博士学位，2011年获奥布达大学名誉教授称号。他还兼任台北科技大学、哈尔滨工程大学等高校的兼职教授，并曾与加拿大拉瓦尔大学、悉尼科技大学、美国俄勒冈州立大学、法国巴黎第一大学（先贤祠-索邦大学）及意大利热那亚大学联合指导博士生。2012年获悉尼科技大学荣誉学者奖。2005至2019年担任《Knowledge-Based Systems》（Elsevier）主编，2020年起任荣誉主编；自2020年起担任《Applied Intelligence》（Springer）和《International Journal of Healthcare Management》（Taylor & Francis）主编。他主持过多项研究项目，包括智能人机交互、面向医疗健康系统的“心智克隆”智能人机界面项目等。