复杂多源数据表征学习理论研究与应用

开放环境下复杂多源数据表征学习是机器学习理论高效解决实际任务的关键。目前的机器学习方法大多面向同源同分布数据,并不适用于开放环境下由多源数据融合而造成的复杂标签分布、样本分布以及多域分布等复杂数据表征学习问题。因此,本文提出面向信息安全方向的复杂多源数据特征信息的表征学习理论与方法。通过开展标签融合中相似信息共享与异构信息分离、跨源数据样本转换与语义关联知识迁移、强耦合下跨域与多源数据分布解耦等理论研究,实现开放环境复杂多源数据分布场景下表征学习基础理论创新与复杂多源信息应用系统验证。