人工智能若干技术回顾与展望(XCF,)剖析.ppt

May 27,2005 浙江大学人工智能研究所2007新春报告会 汇报人：徐从富 Email: xucongfu@zju.edu.cn Institute of Artificial Intelligence, College of Computer Science, Zhejiang University, Hangzhou 310027, P.R. China Feb. 5, 2007 本报告的写作原则： “知彼知己，百战不殆” “他山之石，可以攻玉” “眼睛向外看” “明目扩胸” “变则通” …… 提纲 AI的几个重要阶段回顾 AI的研究现状初探 AI的最新动态 AI在中国 AI的未来发展方向展望 应对策略 预期目标 一、AI的几个重要阶段回顾 第一阶段：符号逻辑推理 AI初创的10余年间（1956-1969） 代表人物：Simon, Newell, Nilsson, etc. 不足：适合高层推理，但面对海量数据需要底层的统计学习方法 第二阶段：知识工程及专家系统 20世纪70-80年代（包括90年代初） 代表人物：Feigenbaum, Shortliffe, etc. 贡献：已在医疗、军事等领得到广泛应用 AI界已达成的基本共识 AI理论应建立在严密的数学基础上 严格的定理、确凿的实验证据，不靠直觉 与现实应用相关，而不是与玩具样例相关 机器学习不应与信息论分离 不确定性推理不应与随机模型分离 搜索不应和经典的优化及控制分离 自动推理不应和形式化方法分离 在方法论上，AI已成为坚实的科学方法 利用共享测试数据库及代码，AI系统可重复实验 二、AI的研究现状初探 《Science》(2001.9) 高度评价ML 美国航空航天局JPL实验室的科学家们在2001年9月出版的《Science》上撰文指出： “机器学习对科学研究的整个过程正起到越来越大的支持作用，……，该领域在今后的若干年内将取得稳定而快速的发展。” AI的研究现状初探（续2） AI的研究现状初探（续3） 三、AI的最新动态 三、AI的最新动态 数据挖掘的发展 数据挖掘的理论问题 频繁模式和关联规则挖掘 聚类分析 分类和预测 决策树 结构化数据挖掘 序列挖掘 图挖掘 数据挖掘的应用问题 数据流、传感器网络和RFID数据库的挖掘 隐私保护数据挖掘 Web挖掘 多媒体数据挖掘 社会网络挖掘 生物信息学和系统生物学（System Biology） 文本挖掘 基于数据挖掘的主题演化研究 数据流挖掘 概念 一系列连续且有序的点组成的序列 x1,…, xi, …, xn,称为数据流；按照固定的次序，这些点只能被读取一次或者几次 特点 大数据量，甚至无限 频繁的变化和快速的响应 线性扫描算法，查询次数有限 Random access is expensive 隐私保护数据挖掘 隐私保护数据挖掘的目标 PPDM encompasses the dual goal of meeting privacy requirements and providing valid data mining results. 保护隐私和满足安全性要求（安全性） 产生正确的数据挖掘归纳结果（准确性） 提供高效的数据挖掘算法（高效性） Web挖掘 Web的内容挖掘(文本挖掘) Web的结构挖掘(图挖掘) Web的用户日志挖掘 面向高级搜索的页面层次挖掘(SIGIR04) 多媒体数据挖掘 社会网络挖掘 社会网络分析 复杂网络建模 复杂网络的信息传播机制研究 社会网络数据挖掘 社会网络数据挖掘 DBLP合作者网络挖掘 KDD领域合作者网络挖掘（论文已被PAKDD2007录用） 生物信息学和系统生物学 蛋白质网络的挖掘 基因调控机理的研究 …… DNA ? RNA ? Protein transcription translation 文本挖掘 文本挖掘是一个多学科交叉领域 机器学习 统计学习 信息检索 自然语言处理 文本挖掘 Word Level Sentence Level Document Level Document-Collection Level 基于文献数据的主题演化挖掘 理解某一领域的发展趋势 将顶级会议中的参加者分类 新加入者 (促进本领域的创新和发展) 离开者 (影响其它领域) 持续保持者 数据挖掘领域的发展 Web智能（WI）——“AI之新秀” 三、AI的最新动态 代表性工作： Hua-Liang Wei and Stephen A. Billings. Feature Subset Selection and Ranking for Data Dimensionality Reduction.