11月11日上午，IEEE控制系統(tǒng)協(xié)會副主席 Ioannis (Yannis) Paschalidis教授來訪我校并在自動化學(xué)院（人工智能學(xué)院）舉辦的AI錢塘論壇做主旨報告。Ioannis (Yannis) Paschalidis教授在MIT獲碩士和博士學(xué)位，是IEEE/IFAC Fellow，IEEE Transactions on Control of Network Systems創(chuàng)刊主編，擔(dān)任2025年IEEE CDC會議聯(lián)合主席。Ioannis (Yannis) Paschalidis是波士頓大學(xué)電氣與計算機工程、系統(tǒng)工程和生物醫(yī)學(xué)工程的杰出教授，計算與數(shù)據(jù)科學(xué)資深教授，擔(dān)任哈里里計算與計算科學(xué)和工程研究所所長；主要研究領(lǐng)域為優(yōu)化、控制、隨機系統(tǒng)、計算醫(yī)學(xué)和計算生物學(xué)等。

本次講座，Ioannis (Yannis) Paschalidis教授做了關(guān)于Distributionally Robust Learning – From Traditional to Deep and to Reinforcement Learning專題報告。Paschalidis教授介紹了一種用于機器學(xué)習(xí)的分布式魯棒優(yōu)化方法，該方法使用可用于分類或回歸的一般損失函數(shù)。受醫(yī)學(xué)應(yīng)用的啟發(fā)，考慮了一種訓(xùn)練數(shù)據(jù)可能被（未知）異常值污染的環(huán)境。魯棒學(xué)習(xí)問題被表述為，在一系列接近訓(xùn)練數(shù)據(jù)誘導(dǎo)經(jīng)驗分布的最小化最壞情況預(yù)期損失問題。報告探討了這種方法的普遍性、魯棒性、解釋一系列正則化學(xué)習(xí)方法的能力。此外，Paschalidis教授還分享了如何將分布式魯棒學(xué)習(xí)用于深度神經(jīng)網(wǎng)絡(luò)分類，并考慮其在計算機視覺中的應(yīng)用；介紹了如何將該框架用于強化學(xué)習(xí)，解決約束馬爾可夫決策過程問題的魯棒變體，并將其應(yīng)用于機器人控制和自主系統(tǒng)。

校長陳積明教授參加了報告會，講座由自動化學(xué)院院長曹九穩(wěn)主持，講座吸引了300多名教師、博士生、碩士生參加。