机器学习是人工智能的核心研究领域之一,是实现智能化的根本途径。传统机器学习通常假设数据独立同分布,并需要足够多的标记数据以获得较好的学习器。随着机器学习技术向更多应用领域不断拓展,越来越多的学习任务面临更为真实的开放环境,具体表现为数据非独立同分布,标记数据稀少等特性。本文对开放环境中的多示例学习和半监督异常检测问题进行了研究,主要取得了以下创新成果:1.提出了一种对关键示例漂移不敏感的多示例学习方法MIKI(Multi-Instance learning with Key Instance shift)。传统多示例学习方法通常假设数据独立同分布,对分布漂移的研究相对较少。本文提出一种对关键示例漂移不敏感的多示例学习方法MIKI,该方法首先学习关键代表示例,基于关键代表示例构建能同时刻画示例包信息和分布漂移的特征表示,通过学习权重缓解训练数据和测试数据之间的分布差距。实验结果表明,本文方法显著优于其他方法。2.提出 了一种半监督异常检测方法 ADOA(Anomaly Detection with partially Observed Anomalies)。传统异常检测大多关注于监督和无监督学习,对同时考虑少量异常标记和大量未标记数据的研究较少。本文方法对少量异常样本进行聚类,对大量未标记样本基于其隔离程度和与已知异常的相似度进行综合评价,从而分离出潜在异常和可靠正常样本,再通过加权训练分类模型。实验结果表明,本文方法在半监督异常检测任务中,性能显著优于其他对比方法。