Page 7 - 《软件学报》2024年第4期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
Journal of Software,2024,35(4):15851586 [doi: 10.13328/j.cnki.jos.007020] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563


绿色低碳机器学习研究与应用专题前言

2
1
封举富 , 俞 扬 , 刘 淇 3
1 (北京大学 智能学院, 北京 100871)
2
(南京大学 人工智能学院, 江苏 南京 210023)
3
(中国科学技术大学 计算机科学与技术学院, 安徽 合肥 230026)
通信作者: 封举富, E-mail: fengjf@pku.edu.cn; 俞扬, E-mail: yuy@nju.edu.cn; 刘淇, E-mail: qiliuql@ustc.edu.cn

中文引用格式: 封举富, 俞扬, 刘淇. 绿色低碳机器学习研究与应用专题前言. 软件学报, 2024, 35(4): 1585–1586. http://
www.jos.org.cn/1000-9825/7020.htm

近年来, 随着学术界与工业界在机器学习和人工智能领域投入越来越多的关注, 相关技术获得飞速发展,
机器学习已经被应用到社会生活的方方面面, 并产生巨大社会价值. 在“生成式人工智能”“元宇宙”等科技概
念越来越受欢迎的今天, 机器学习面临的数据量不断增长、模型规模逐步扩大, 因而对计算能力的需求也在
持续增长, 导致了机器学习系统能耗的上涨. 我国于 2020 年提出“双碳”目标, 逐步引导绿色技术创新, 实现
经济增长和生态平衡的综合效益. 面向“双碳”目标, 如何高效使用数据和优化计算资源变得尤为关键. 因此,
亟需在机器学习领域内发展面向绿色低碳的新技术和新系统. 本专题将重点探讨在人工智能浪潮中, 机器学
习所面临的机遇与挑战, 尤其关注低能耗机器学习的各种策略, 如模型量化、压缩、高效计算、结合逻辑推
理的可信学习、小样本学习、知识融合等, 以及相关的计算平台和系统, 并探索机器学习在绿色低碳领域的
实际应用.
本专题公开征文, 共收到投稿 35 篇. 论文均通过了形式审查, 其内容涵盖了机器学习在数据利用效率提
升、算法使用效率优化和算力分布式优化等多个方面的相关理论、方法、系统和应用. 每篇投稿至少邀请 2
位专家进行评审. 稿件经初审、复审、终审 3 个阶段, 通过初审的论文还在第 19 届中国机器学习会议上进行
了口头报告并与现场参会专家进行交流, 最终有 11 篇论文入选本专题, 一定程度上反映了我国在该专题下的
研究水平. 根据主题, 这些论文可以分为 3 组.
(1) 数据利用效率提升
《基于多样真实任务生成的鲁棒小样本分类方法》提出了一种基于多样真实任务生成的鲁棒分类方法.
方法通过对有限任务进行混合来生成更多训练任务, 并通过约束任务的多样性和真实性, 有效提高了小样本
分类的泛化能力.
《基于多模态对比学习的代码表征增强预训练方法》提出一种基于多模态对比学习的增强预训练模型,
旨在通过融合代码的多层次特征来实现更精准的语义建模, 有效提升数据利用效率并促进绿色低碳的发展.
《元强化学习研究综述》全面梳理了元强化学习领域的研究进展, 旨在通过元强化学习提高深度强化学
习的样本效率和策略通用性, 以更小的数据量应对更多任务, 从而提高数据利用效率.
《局部一致性主动学习的源域无关开集域自适应》提出了主动学习的源域无关开集域自适应方法及局部
一致性主动学习算法, 旨在有效利用少量专家标注的目标域样本, 在资源受限和隐私受保护的场景下实现鲁
棒的迁移.
(2) 算法使用效率优化
《面向开集识别的稳健测试时适应方法》针对实际场景中类别协变量分布的变化提出了一种新的开集识
别方法, 能够有效地适应协变量分布偏移, 确保机器学习模型在开放世界中的稳健部署与高效性能.

 收稿时间: 2023-09-08; jos 在线出版时间: 2023-09-11