Collaborative Research: CIF: Medium: Emerging Directions in Robust Learning and Inference

协作研究：CIF：媒介：稳健学习和推理的新兴方向

基本信息

批准号：
2106560
负责人：
Shaofeng Zou
金额：
$ 37.47万
依托单位：
SUNY at Buffalo
依托单位国家：
美国
项目类别：
Continuing Grant
财政年份：
2021
资助国家：
美国
起止时间：
2021-06-01 至 2025-05-31
项目状态：
未结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=2106560&HistoricalAwards=false
关键词：
Collaborative Research CIF Medium Emerging

项目摘要

Future applications of national importance, such as healthcare, critical infrastructure, transportation systems, and smart cities, are expected to increasingly rely on machine-learning methods, including structured learning, supervised learning, and reinforcement learning. In many of these applications, the probabilistic distribution governing the data may undergo variations with time and location, and data could be corrupted by faulty or malicious agents/sensors. Such model deviation and data corruption could result in significant performance degradation. The goal in this project is to explore new ways to design learning and inference methods that are robust to distributional uncertainty and data corruption. This project is bridging and further advancing research in areas of statistical learning, optimization, control theory, network science, reinforcement learning, statistical signal processing and information theory. The methods developed are likely to have significant impact on a wide range of applications in areas of societal importance such as healthcare, transportation systems, smart grids, and smart cities. The investigators are co-organizing special sessions at conferences, workshops and symposia on robust learning and inference to disseminate the research outcomes of this project, formalize far-reaching research directions, identify new challenges in this emerging area, stimulate the development of original research ideas, and foster interdisciplinary collaborations. The investigators are committed to broadening participation of under-represented minorities and women both among the graduate and undergraduate students in computing and engineering. The investigators are enriching their current courses and further developing new courses on topics related to this project.This project is expected to make new contributions to the theory and practice of robust learning and inference. Several emerging directions are being investigated, including robust sketch-based learning, robust mean estimation, synthesis of confusing inputs to machine-learning models, robustness to distributional uncertainty at inference time, and robust model-free reinforcement learning.This award reflects NSF's statutory mission and has been deemed worthy of support through evaluation using the Foundation's intellectual merit and broader impacts review criteria.

未来具有国家重要性的应用，例如医疗保健、关键基础设施、交通系统和智慧城市，预计将越来越依赖机器学习方法，包括结构化学习、监督学习和强化学习。在许多此类应用中，控制数据的概率分布可能会随着时间和位置的变化而变化，并且数据可能会被错误或恶意的代理/传感器损坏。这种模型偏差和数据损坏可能会导致性能显着下降。该项目的目标是探索新的方法来设计对分布不确定性和数据损坏具有鲁棒性的学习和推理方法。该项目正在弥合并进一步推进统计学习、优化、控制理论、网络科学、强化学习、统计信号处理和信息论领域的研究。所开发的方法可能会对医疗保健、交通系统、智能电网和智能城市等社会重要领域的广泛应用产生重大影响。研究人员正在会议、研讨会和研讨会上共同组织关于鲁棒学习和推理的特别会议，以传播该项目的研究成果，正式确定影响深远的研究方向，确定这一新兴领域的新挑战，促进原创研究思想的发展，并促进跨学科合作。研究人员致力于扩大计算机和工程专业研究生和本科生中代表性不足的少数族裔和女性的参与。研究人员正在丰富现有课程，并进一步开发与该项目相关主题的新课程。该项目有望为鲁棒学习和推理的理论和实践做出新的贡献。正在研究几个新兴方向，包括稳健的基于草图的学习、稳健的均值估计、机器学习模型的混淆输入的综合、推理时分布不确定性的稳健性以及稳健的无模型强化学习。该奖项反映了 NSF 的法定使命通过使用基金会的智力优点和更广泛的影响审查标准进行评估，并被认为值得支持。

项目成果

期刊论文数量（11）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Model-Free Robust Average-Reward Reinforcement Learning

无模型鲁棒平均奖励强化学习

DOI：
发表时间：
2023-01
期刊：
International Conference on Machine Learning
影响因子：
0
作者：
Wang, Y;Velasquez, A.;Atia, G.;Prater;Zou, S.
通讯作者：
Zou, S.

Kernel Robust Hypothesis Testing

内核稳健假设检验

DOI：
10.1109/tit.2023.3268207
发表时间：
2023-04
期刊：
IEEE Transactions on Information Theory
影响因子：
2.5
作者：
Sun, Zhongchang;Zou, Shaofeng
通讯作者：
Zou, Shaofeng

A Robust and Constrained Multi-Agent Reinforcement Learning Electric Vehicle Rebalancing Method in AMoD Systems

AMoD 系统中鲁棒且受限的多智能体强化学习电动汽车再平衡方法

DOI：
发表时间：
2023-01
期刊：
Proceedings of the IEEERSJ International Conference on Intelligent Robots and Systems
影响因子：
0
作者：
He, Sihong;Wang, Yue;Han, Shuo;Zou, Shaofeng;Miao, Fei
通讯作者：
Miao, Fei

Data-Driven Robust Multi-Agent Reinforcement Learning

数据驱动的鲁棒多智能体强化学习

DOI：
10.1109/mlsp55214.2022.9943500
发表时间：
2022-08
期刊：
IEEE 32nd International Workshop on Machine Learning for Signal Processing (MLSP
影响因子：
0
作者：
Wang, Yudan;Wang, Yue;Zhou, Yi;Velasquez, Alvaro;Zou, Shaofeng
通讯作者：
Zou, Shaofeng

Policy Gradient Method For Robust Reinforcement Learning

鲁棒强化学习的策略梯度方法

DOI：
发表时间：
2022-07
期刊：
International Conference on Machine Learning
影响因子：
0
作者：
Wang, Yue;Zou, Shaofeng
通讯作者：
Zou, Shaofeng

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Shaofeng Zou其他文献

Asymptotic optimality of D-CuSum for quickest change detection under transient dynamics

D-CuSum 的渐近最优性用于瞬态动态下最快的变化检测

DOI：
发表时间：
2017
期刊：
International Symposium on Information Theory
影响因子：
0
作者：
Shaofeng Zou;Georgios Fellouris;V. Veeravalli
通讯作者：
V. Veeravalli

Linear Complexity Exponentially Consistent Tests for Outlying Sequence Detection

离群序列检测的线性复杂度指数一致测试

DOI：
发表时间：
2017
期刊：
arXiv.org
影响因子：
0
作者：
Yuheng Bu;Shaofeng Zou;V. Veeravalli
通讯作者：
V. Veeravalli

Layered decoding and secrecy over degraded broadcast channels

降级广播信道的分层解码和保密

DOI：
发表时间：
2013
期刊：
International Workshop on Signal Processing Advances in Wireless Communications
影响因子：
0
作者：
Shaofeng Zou;Yingbin Liang;L. Lai;S. Shamai
通讯作者：
S. Shamai