7 月29日，澳大利亚莫纳什大学Geoff Webb教授应邀来所进行学术交流，作了题为“Not so naive Bayesian classification”的学术报告，我所宋江宁研究员主持报告会。

在报告中，Geoff Webb教授首先介绍了朴素贝叶斯是一种极其高效的分类学习技术。尽管这种方法很简单，但是它在很多任务中被证明是十分精确的，因此也得到了广泛应用。目前，有大量的工作致力于进一步提高这种方法的精确性，例如LBR 和 SuperParent TAN，已经得到了很好的效果。但是，这两种方法在提高精确性的同时会带来计算量的增加。随后，Geoff Webb教授还介绍了在理论和实际的双重考虑基础上提供的一种新方法：通过平均半朴素贝叶斯分类器的所有限制项来减弱各类属性之间独立性的假设。在广泛的实验中，发现这项技术可以达到与LBR 和 SuperParent TAN同等程度的精确性，计算效率也得到了很大提高。在报告中，他还介绍了这项技术的主要特点：1、训练时间与训练集大小线性相关；2、支持平行和随时分类；3、允许增量学习。最后，报告总结了朴素贝叶斯虽然是一种生成学习算法，但它的分类准确率与最好的判别技术相比是旗鼓相当或接近的，因而有望在生物信息学和系统生物学中得到广泛的应用。

报告人简介：

Webb教授是澳大利亚莫纳什大学终身教授，莫纳什大学智能系统研究中心（Centre for Research in Intelligent Systems，CRIS）主任，是国际贝叶斯网络分析、生物数据条件概率学、统计合理关联理论、基于特征用户建模和极大数据集学习等领域的领军人物，具有颇高的学术声望，近五年来承担了大量重要的生物信息学和系统生物学的交叉学科研究项目。

报告会现场