报告题目：知情机器学习：数据与知识的统一环境

报告所属学科：管理科学与工程

报告人：Witold Pedrycz（加拿大阿尔伯塔大学）

报告时间：2026年7月13日 15:30-18:30

报告地点：经管学院403室

报告摘要：

机器学习（ML）和人工智能（AI）受到了广泛关注，并催生了大量成功案例，其中也包括高关键性领域中的应用。随着时间的推移，机器学习技术的一些局限性逐渐显现，并引发了人们对机器学习构造（包括大型语言模型，LLMs）部署方式及其对数据过度依赖的担忧。事实上，数据是设计方法论的生命线，并推动着当前常见的开发实践。机器学习方法论的核心存在一个默认假设：数据能够充分表征待解决的问题（例如分类或预测）。海量数据既是福音，也是负担。我们往往通过数据的视角观察问题并生成解决方案；在许多情况下，这可能导致“数据致盲效应”。我们主张，当前迫切需要一种整体性的知识—数据协同开发视角。

知情机器学习（Informed Machine Learning，IML）已经成为回应这些需求的一项新兴且富有前景的研究方向。简言之，IML 被视为一种方法论，在这种方法论中，数据与知识被协同用于机器学习系统的设计。从机器学习环境中的设计视角来看，数据与知识存在根本差异。数据是数值化且精确的；知识则具有一般性，通常以更高抽象层次（普适性）的形式表达。知识与数据产生于不同的信息粒度层次。

在本次报告中，我们将给出 IML 主要研究目标的全面分类，并将其与知识的主要表示方式联系起来。报告还将通过考察人工智能在连续数十年发展过程中所经历的符号处理与亚符号处理，提供一个历史视角。

报告将讨论知识与数据协同探索方式所关联的两大类构造：物理导向构造和神经符号构造。我们将阐述一种由审慎增强的加性损失函数所引导的设计过程；该损失函数的相应组成部分既用于最小化所构建机器学习模型与数值目标值之间的距离，也用于确保模型符合反映可用知识的信息粒。报告还将讨论神经符号系统的一般分类，包括面向推理的学习、面向学习的推理，以及推理—学习融合。

报告人简介：

Witold Pedrycz，加拿大阿尔伯塔大学讲席教授，加拿大皇家科学院院士，波兰科学院外籍院士，电气和电子工程师协会会士。曾担任 《Information Sciences》主编，现担任《Wiley Interdisciplinary Review Data Mining and Knowledge Discovery》 主编 及《Granular Computing》共同主编。主要研究方向包括粒计算、智能系统、模糊集和模糊系统、模式识别等，发表多篇高质量论文，出版著作21本，H指数136，计算机科学和电子学排名第70位。