研究课题 | Roberto Santana

我的研究涵盖机器学习、进化计算、优化和计算神经科学。这些领域之间存在高度重叠——进化方法被用于优化神经架构，概率图模型在机器学习和进化算法中均有应用，而机器学习方法则为神经科学研究提供了基础工具。点击下方各领域了解详情及论文链接。

机器学习

概率图模型 (PGM)

研究图模型中的学习与推理，包括贝叶斯网络、马尔可夫网络、受限玻尔兹曼机和基于 Copula 的模型。应用于无监督学习、异常检测和表示学习。

神经网络、深度学习与神经架构搜索

神经架构搜索 (NAS)、生成模型 (GAN, VAE)、物理信息神经网络 (PINN)、多任务学习、半监督分类和神经进化方法。

自然语言处理 (NLP)

多标签层次分类、用于特征选择和异常解释的大语言模型 (LLM)，参与人工智能与语言技术的 ENIA 讲席项目。

对抗机器学习与可解释性

在音频及其他领域生成对抗样本、针对可解释机器学习方法的对抗攻击、不确定性感知解释及自解释神经网络。

分布估计算法 (EDA)

EDA 基础研究——学习有前途解的概率模型以指导进化搜索。应用于组合优化、连续优化和机器学习。合著有该领域的关键专著 (Springer, 2002)。

神经进化与神经架构搜索

使用进化方法优化神经网络的架构和权重。包括因子分解 NAS 模型、异构多网络模型以及由神经元覆盖率驱动的神经进化算法。

调度与组合优化

使用深度强化学习、约束规划、离线强化学习和行为克隆解决柔性车间作业调度问题。针对工业应用的实时调度。

多目标优化与适应度景观

双目标组合优化、进化多目标算法 (MOEA)、适应度景观分析以及连续多目标强化学习问题的基准测试。

大脑解码与神经反馈

跨成像范式的大脑解码领域自适应。开发了 DecNefLab——一个用于解码神经反馈研究的模块化、可解释模拟框架。与 BCBL 合作开展工作。

无意识视觉处理与 BCI

利用基于机器学习的 MEG/EEG 数据分析，研究人类大脑中无意识视觉信息处理的特性。开展脑机接口相关研究。