2017年03月26日，应智能信息处理研究中心尹义龙教授的邀请，加拿大西安大略大学甄先通博士应邀来我院做了题为“多目标回归及核近似”的报告，并与实验室成员进行了热烈的讨论。

        近年来,多任务学习成为机器学习中的一个热点，受到广泛的研究。多目标回归是多任务学习中一个重要分支，作为机器学习中基本模型，在计算机视觉和医学图像分析中有着极其广泛的应用。传统方法侧重于解决多输出之间的相关性，大多基于较为简单的线性回归模型或者基于某些特定的假设，而且，常常忽略输入与输出的非线性关系。因此，这些方法缺乏一定的泛化能力，并且表达能力有限，不能同时描述输入-输出和多输出之间的相关性。本报告将介绍一种新的多目标回归模型，能很好地解决上述问题。该模型不依赖任何假设，能够同时刻画输入-输出（线性和非线性）关系和多输出的相关性，具有极强的表达能力和泛化能力。同时，其能够与核技巧（kernel trick）结合，刻画输入-输出的复杂非线性关系。为了克服核方法的计算复杂度高的问题，在该报告中将探讨一种核近似(kernel approximation)的解决方案，该方法的重要意义在于揭示了核方法和神经网络的关联性。

      甄先通于2013年博士毕业于英国谢菲尔德大学电气工程学院，现在加拿大西安大略大学的从事博士后研究工作。主要的研究方向是医学图像分析，计算机视觉和机器学习。曾担任 Image and Vision Computing专刊的特邀编委和 IEEE ICIP 2015的分会主席。在国际知名会议和杂志上发表文章近50篇，其中以第一作者身份在计算机视觉顶级会议CVPR，医学图像分析顶级会议MICCAI，国际顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI)，IEEE Transactions on Neural Networks and Learning Systems (T-NNLS) ，Medical Image Analysis (MedIA)上发表论文9篇。