机器学习是人工智能的核心问题之一，通过设计学习算法使得计算机具备感知外界环境和对外界系统进行建模的能力。研究所的主要研究方向包括半监督学习、不定核学习、深度学习、稀疏恢复等。

半监督学习                                                                                                                                                                                          

      在数据驱动的机器学习方法中，数据的标签（如回归问题的目标，分类问题的类别等）起着非常重要的作用。但在实际应用中，数据的标签往往难以获得。例如，医学影像数据的标签是由经验丰富的医生标记的，受制于劳动时间和个人隐私，对于特定病重往往只有很少的标记样本。因此，在机器学习方法的研究中，需要考虑没有标签（无监督学习）或仅有少量标签（半监督学习）的情况。我们在自然科学基金委员会的资助下，持续在半监督学习方面开展研究工作。在基于图的半监督学习、深度半监督学习等方面取得了一定的创新成果并在实际工程中进行了成功应用。

• 国家自然科学基金 面上项目：基于图的半监督学习的快速鲁棒算法研究及其应用
• 国家自然科学基金 中国-瑞典国际合作基金：大数据半监督机器学习关键方法研究及其在老人监护、交通安全、医学诊断的应用

不定核学习                                                                                                                                                                                

       核学习是重要的机器学习方法，通过原-对偶分析，可以利用通过设计核函数实现复杂和未知的非线性映射。传统的核方法要求核需要满足半正定条件（简单地说，其生成地核矩阵需要是半正定的）。在很多应用中，需要突破半正定的性质研究不定核的学习方法。例如，流形上的测地线常常具有很好的物理含义，但距离导出的核无法满足半正定条件。此外，在深度核学习方法中需要对核矩阵的函数值进行训练，这种训练使得核无法保持正定性。我们在千人计划等科研基金的支持下，持续在不定核的学习方法、训练算法方面开展研究，在最小二乘框架下的不定核方法、多层不定核结构、不定核逻辑回归等方面取得了创新性成果。

稀疏信号/图像的学习                                                                                                                                                                

       稀疏特性是大数据的本质属性之一，对稀疏性的研究和探讨，有助于提高信号恢复的精度、提升 CT 等医学影像重建的性能、实现图像的去噪超分辨和网络的稀疏编码。稀疏性的研究也是控制神经网络的复杂度和提升网络的可解释性的重要技术。为实现稀疏性，需要研究稀疏的机器学习方法，设计增强稀疏性的非凸罚函数、发展相应的快速优化算法，并研究稀疏算法的学习性能。我们在自然科学基金和上海市科委的支持下，在图像超分辨、非凸稀疏增强、一比特压缩感知、医学影像重建方面开展了长期的研究。