报告简介：
数据增广与模型泛化是机器学习研究中的核心议题。本报告旨在系统性分析模型泛化、鲁棒性及数据增广之间的理论与实践关系。具体而言，报告将从多个视角探讨数据增强对提升模型泛化能力的理论基础及实际效果，涵盖局部与全局数据增广、通用对抗训练扩展、大规模模型数据增广以及基于物理规律的数据增强策略。报告还将阐明这些方法与模型泛化的理论联系，并介绍数据增强技术在医疗应用和工业检测领域的实际应用案例。相关内容主要基于团队近期发表于AAAI2023、NeurIPS2024、CVPR2025、ACL2026 等国际会议的研究成果。
报告人简介：
黄开竹为昆山杜克大学电子计算机与工程终身教授，并担任数字创新研究中心主任，同时受聘于武汉大学，担任兼职教授及博士生导师。其于2004年在香港中文大学取得博士学位，曾在香港、日本、英国等多个研究机构从事学习与科研工作。黄教授荣获富士通实验室“社长奖”、亚太神经网络学会青年科学家奖、2024年国际IEEE ICDM十年最高影响力论文奖，并在国际人工智能会议获得10项最佳论文或提名（含3项CCF会议最佳论文或候选奖）。其主要研究方向包括可信人工智能、鲁棒机器学习及其在视觉与医学领域的应用，已出版9部英文著作及发表280余篇国际学术论文，其中IEEE/ACM Transactions和CCF A类论文逾100篇。现任Elsevier CSSI主编、6个国际期刊副主编或编委，主持5项国家自然科学基金面上及重大项目。