学习理论的最新进展

1.介绍

在物联网时代，无处不在的通信、云服务、传感手段、人机界面正变得无处不在、无处不在。这使得我们比以往任何时候都更有可能通过机器学习分析无处不在环境中产生的大数据来研究工程问题、人类活动和社会行为。纵观最近的历史和新趋势，机器学习在广泛的应用领域取得了引人注目的进展，从自然语言到非语言交流，从工程应用到人文、艺术和社会研究，从现实世界到网络空间。

1997年，Dietterich将机器学习的发展概括为四个方向:分类器集成、有监督学习算法的放大方法、强化学习和复杂随机模型的学习[1］．后来，杜赫全面地将机器学习视为计算智能的基础[2］．进入21世纪以来，机器学习的研究在这四个方向都取得了进展，并开始关注大数据学习的新挑战，这些挑战涵盖了各个应用领域。如何避免“维数诅咒”，保证学习过程中的泛化能力是需要突破的一个障碍。由于科勒和弗里德曼等人在概率图形模型方面的努力[3.]及压缩感知理论[4，试探性的道路已被照亮。正如王的深谋远虑[5]，基于泛化能力“预测”变化和“描述”从海量数据中发现的知识将是未来机器学习的两大主要任务。

在当今社会，机器学习在泛在学习、电子商务、在线客服、行为金融分析、政府应急管理等与人类心理和行为相关的领域有着广泛的需求。我们认为，机器学习可能是最有前途的，有时甚至是唯一的方式，来完成对人类心理和行为的复杂计算，在无处不在的环境。

但在此过程中，机器学习研究需要关注以下新方面，这些新方面可能超出了计算机科学和技术的能力范围，需要更多跨学科的新思路和方法:(1)社会神经科学机制等系统模型[6(2)物理环境、网络环境、网络环境、网络环境和网络环境的综合情境感知。和社会心理空间，以及信息融合处理和计算能力，被Dai [7(3)智能学习，使机器在学习过程中同时应对理性智能和情绪智能。

本特刊旨在将不同领域的研究人员聚集在一起，交流和分享他们在现代学习理论和应用新趋势方面的进展。我们很高兴在提交的手稿中看到各种新的研究思路和许多创新贡献，涵盖了广泛的学习理论、技术和应用的最新进展。本文从四个方面对本期特刊发表的论文进行了简要的评论:神经科学与学习理论、心理计算与行为分析中的机器学习、公共管理与商业服务中的机器学习、知识发现与人机工程中的机器学习。

2.学习理论中的神经科学

S. Huang等在《网络语言的神经认知和情感计算》一文中分析了网络语言中情感符号的分类和认知特征，并提出了一个机制模型来显示该认知过程中占主导地位的神经活动。通过对中、英、西三种语言情感表达模式的比较研究，提出了一种国际网络语言情感计算的智能机器学习方法，该方法能够处理网络信息中的多符号信息和混合情绪，并根据神经认知过程的特点显示其动态变化。

Jin等人在《内在动机的神经基础:来自事件相关电位的证据》一文中采用事件相关电位(ERPs)研究有趣的秒表任务和无聊的秒表任务之间的神经差异，以理解内在动机的神经机制。本文的研究结果表明，内在动机可以作为构建机器学习模型的候选社会因素，并为基于机器学习技术在可穿戴系统中检测和分析人类内在动机提供了新的可能指标和特征参数。

C. Wang等的《基于资金流信息的投资过程的神经经济学分析:错误相关负性》研究了股票市场金融投资决策过程中的事件相关电位(erp)特征。实验结果表明，ERN成分对投资决策过程中的风险评估较为敏感，可作为显示冲突感知或提醒大脑做好应对潜在负面后果的预警指标。本文的研究结果对探索神经认知效应和ERP信号在开发金融智能系统中的机器学习基础具有重要意义。

L. Wang等人的论文《P300与风险和模糊性下的决策》(P300 and Decision Making under Risk and Ambiguity)使用erp来澄清和扩展目前对风险和模糊性下决策的理解。研究结果表明，具有模糊性的决策占据了更多的工作记忆，回忆了更多的过去经验，而风险决策主要是调动注意力资源来计算当前信息。本文的研究有助于进一步了解大脑在决策中的作用机制，为基于机器学习理论的仿人机器人设计提供参考。

D. Han等的论文《探索信息安全意识:认知神经机制的启示》以在线金融支付为研究实例，通过电生理信号的实验分析来研究信息安全意识。研究结果表明，在信息安全意识中，大脑左半球和脑电图(EEG)信号对风险认知程度较为敏感，这可能被认为是评估人们对在线金融支付潜在风险认知程度的标志。本文为了解脑电信号在信息安全意识中的作用提供了新的知识，对于发展机器学习技术对信息安全意识进行客观和技术评估具有重要意义。

3.心理计算与行为分析中的机器学习

周昕等的《泛在学习社会共同体的网络心理计算》研究了泛在学习者在网络空间中的心理反应与行为模式之间的关系，总结出了学习者习惯行为中15种常见的基本行为，用于对泛在学习的心理评估他们在学习过程中的处境。提出了一种基于BP-GA神经网络的网络心理计算方法，该方法可以根据学习者的个性化行为模式在线估计其心理状态。本文的贡献提供了计算机社会心理与物理(CPP)计算机器学习领域的新进展，对今后在广泛应用领域的深入研究具有重要意义。

X. Zhou等的论文《基于个体说服力的意见互动模型》讨论了社会互动过程中一个常见的现象，它与公众对社会事件的意见和态度的传播特征有关。在Deffuant模型及其改进的基础上，考虑了个体说服力的影响，并利用多主体模拟进行了实验，结果表明，在给出观点和说服力的初始分布时，可以预测共同意见的范围。本文有趣的发现表明，机器学习在社会互动过程的行为分析中存在一些潜在的规则。

此外，S. Huang等人在《网络语言的神经认知和情感计算》和S. Gong等人在《基于情感计算的客户电话投诉情感分析》中也报道了机器学习对情感计算的研究。

4.公共管理和商业服务中的机器学习

Hu等的论文《Social Networks and Intelligent Computation of Public Health emergencies Information Dissemination on Social Networks and Intelligent Computation》强调，Social Networks已经成为突发公共卫生事件的主要信息传播平台，在应急管理中引起了高度关注。分析了突发公共卫生事件社会网络中信息传播的复杂特征，认为现有的理论工具和建模方法不足以准确描述和预测突发公共卫生事件社会网络中的信息传播。本文基于TDF (Theory-Data-Feedback)框架，构建了一种新的用于ACP (artificial societies, computational experiment, and parallel execution)仿真的智能计算方法，在预测突发事件信息在社交网络上的动态传播方面取得了较高的精度。

P. Zhang等的论文《The Large Scale Machine Learning in an Artificial Society: Prediction of The Ebola Outbreak in Beijing》提出了一种新的基于人工社会的疾病传播预测方法。根据北京地理人口、基础设施和社会角色的实际分布，建立了包含1960万个个体和800万个建筑的“人工北京”虚拟社会系统。基于“人工北京”，通过对个体行为的大规模机器学习，很好地模拟和预测了埃博拉病毒疾病传播过程及其公共卫生应急管理干预措施。

S. Gong等人的论文《基于情感计算的客户电话投诉情绪分析》研究了电话投诉语音的特点，提出了一种基于情感计算技术的分析方法。能够从服务人员与顾客的对话中识别顾客情绪的动态变化。实验结果表明，该方法是有效的，可以达到较高的高兴和愤怒状态的识别率。该方法已成功应用于电信互联网服务公司的运营质量与服务管理。

5.知识发现与人机工程中的机器学习

这篇题为“利用语言模型对Twitter事件进行分类”的论文由d.t。Vo等基于LDA-SP和ConceptNet模型研究了Twitter中的事件分类问题。作者通过kNN分类器和爱丁堡推特语料库上的实验，探索了一种根据推文特征计算推文相似度的新方法，包括常见术语词和它们的区别术语词之间的关系。本文对研究问题进行了逻辑性和全面性的分析，提出了一种有效的方法，如实验所示，采用语言模型来提高分类性能，具有一定的探索价值。

H. Chen等的论文《mooc知识点自动提取算法的设计》研究了mooc (Massive Online Open Courses)中的知识发现和知识共享问题。设计了课程知识点自动提取算法(AECKP)构建课程本体，利用向量空间模型(VSM)计算知识点之间的相似度，优化知识提取。实验结果表明，该方法能取得满意的结果。

冯军和刘勇的论文《移动LBS的智能上下文感知和自适应接口》讨论了移动LBS(位置服务)的智能接口这一有趣的问题。通过对界面设计需求的深入分析，提出了基于上下文感知的LBS界面自适应模型及其应用框架，描述了用户与界面动态交互的自适应过程。通过一个标准的可用性评估测试来显示所提出模型的性能改进。本文的研究工作为基于上下文感知的自适应界面设计提供了有价值的参考。

最后，X. Li等人的论文《利用眼模板学习卷积分布的高效稳健眼定位》提出了一种新的眼定位方法，该方法利用眼模板使用反向传播(BP)网络仅探索一层卷积图。基于提取的卷积分布特征和考虑全局信息和局部几何特征利用的多眼模板集，与现有方法相比，该方法在大大减少训练时间和提高预测速度的前提下获得了相似的最佳结果，并提供了更好的理解。

致谢

我们非常感谢特刊的编辑们，也非常感谢工作人员在特刊编辑过程中给予的宝贵意见。

卫慧戴
Wlodzislaw杜赫
阿卜杜拉·阿卜杜勒·哈难
Dongrong徐
Ye-Sho陈

参考文献

1. T. G. Dietterich，《机器学习研究:目前的四个方向》，人工智能杂志第18卷第2期4，第97-136页，1997。视图:谷歌学者
2. W. Duch，“迈向计算智能的全面基础”，出版计算智能面临的挑战杜赫(W. Duch)和J. Mandziuk主编。，第63卷施普林格计算智能研究，页261-316，施普林格，2007。视图:谷歌学者
3. D.科勒和N.弗里德曼，概率图形模型:原理和技术，麻省理工学院出版社，剑桥，马萨诸塞州，2009年。视图:MathSciNet
4. D. L. Donoho，《压缩传感》，IEEE信息理论汇刊号，第52卷。4，第1289-1306页，2006。视图:出版商的网站|谷歌学者|MathSciNet
5. 王颖(Y. Wang，音)，《机器学习和历史启示的谜题》(The puzzle of machine learning and historical revelation)第九届机器学习与应用研讨会论文集, 2011年。视图:谷歌学者
6. J. T. Cacioppo和G. G. Berntson，《社会心理学对大脑十年的贡献:多层次分析理论》，美国心理学家，第47卷，第47期。8, 1992年，第1019-1028页。视图:出版商的网站|谷歌学者
7. w·h·戴基于社会神经机制的网络心理物理计算，复旦大学，中国上海，2015。

版权

版权所有©2015戴伟辉等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。