这一页讲的是机器学习在社会公益中的应用，强调计算的严谨性和对社会的影响。主要内容包括机器学习如何解决社会问题，以及学术与实际应用的结合。

这一页讲的是机器学习（Machine Learning）在社会公益（Social Good）中的应用，主题是“计算的严谨性（Computational Rigor）与社会影响（Societal Impact）的结合”。机器学习不仅是一种技术工具，还可以为解决社会问题提供创新方案，例如医疗诊断优化、教育资源分配、环境保护等领域。强调计算的严谨性意味着模型需要准确、可靠，同时也要关注实际应用的社会影响，例如公平性、透明度和可解释性。由奥克兰大学的MARS研究团队提出，这一研究方向可能涉及跨学科合作，将机器学习技术与社会科学结合，推动技术为公益服务。举例来说，利用机器学习预测自然灾害的发生，可以帮助政府和社区提前采取措施，减少损失。这一主题的重要性在于，它不仅推动技术进步，还促进了社会的可持续发展。

这一页讲的是演讲的议程，分为两个部分：ML4SG 概念和 MARS Lab 的案例研究。

这一页讲的是演讲的整体框架，分为两个主要部分。第一部分是 ML4SG 概念（Machine Learning for Social Good），重点介绍其基础、技术范式转变以及社会公益研究的核心挑战。这部分旨在帮助理解如何将机器学习技术应用于解决社会问题，并推动技术与公益目标的结合。第二部分是 MARS Lab 和案例研究，主要聚焦于三个领域：野生动物 ReID（Re-identification，旗舰项目）、气候韧性（Climate Resilience）以及算法公平性（Algorithmic Fairness）。这些案例展示了机器学习在实际应用中的多样化场景，例如野生动物身份识别如何保护生态环境，气候韧性研究如何应对气候变化，以及算法公平性如何促进技术的伦理性。这一议程为后续内容奠定了清晰的结构和重点方向。

这一页讲的是概念与洞察（Concepts & Insights），重点介绍了全球视角下的智慧与连接。

这一页讲的是概念与洞察（Concepts & Insights），通过视觉化的方式表达了全球智慧与网络连接的主题。幻灯片中间的图像展示了一个地球被两侧脑部结构包围，象征着全球化与智能系统的结合。脑部结构由点和线组成，代表神经网络（Neural Network）或数据连接的复杂性，同时周围的植物元素则体现了可持续发展与自然的融合。底部的人群剪影暗示了人类在全球智慧网络中的参与和贡献。这一页的内容可能是引导我们思考如何通过技术与人类协作实现全球化的智慧发展，同时关注人与自然的和谐共存。

这一页讲的是 ML4SG 的定义及其核心原则，包括计算严谨性、平等影响和负责任的 AI。

这一页讲的是 ML4SG（Machine Learning for Social Good）的定义及其核心原则。ML4SG 是指通过机器学习的严格应用，与领域专家合作解决高影响力的社会问题。其核心包含三个方面：第一是计算严谨性（Computational Rigor），强调机器学习不仅是工具，更是一门科学，要求技术应用具有理论依据和严密性；第二是平等影响（Equitable Impact），目标是帮助最脆弱的群体，确保技术的社会效益覆盖到需要帮助的人；第三是负责任的 AI（Responsible AI），即设计时必须考虑伦理性和鲁棒性，确保技术的可靠性和道德性。图中的天平象征公平与平衡，进一步强调了 ML4SG 的核心理念，即技术不仅要有效，还要对社会有益且公平。

这一页讲的是三个主要影响领域：环境、健康和公平。环境关注气候变化和灾害响应，健康涉及疾病预测和心理健康支持，公平强调减少偏见和住房安全。

这一页讲的是三个主要影响领域（Primary Impact Domains），分别是环境（Environment）、健康（Health）和公平（Equity）。环境领域主要关注气候变化监测、保护生物多样性以及灾害响应的重要性，例如通过技术手段预测自然灾害并采取预防措施。健康领域强调疾病预测、心理健康支持以及公平医疗服务的获取，说明了数据分析和技术在提升医疗服务质量和覆盖范围中的作用。公平领域则讨论了减少社会偏见、保护原住民数据以及住房安全问题的重要性，体现了技术在社会公平和包容性方面的潜力。右侧的图像通过三个部分分别展示了科技在医疗、环境保护和社会公平领域的应用场景，例如医疗数据分析、绿色能源技术以及全球合作的象征。这些领域的研究和应用对于推动社会可持续发展具有重要意义。

这一页讲的是技术范式的转变，比较了传统机器学习(Standard ML Paradigm)与面向社会公益的机器学习(ML4SG Paradigm Shift)。

这一页讲的是技术范式的转变，重点比较了传统机器学习(Standard ML Paradigm)与面向社会公益的机器学习(ML4SG Paradigm Shift)在数据特性、目标和动态变化上的不同。首先，数据特性方面，传统机器学习依赖静态、经过筛选的干净标签数据，而ML4SG则处理流式、噪声较大且标签稀疏的数据。其次，在目标上，传统机器学习以最大化平均准确率为核心，而ML4SG更注重优化公平性和安全性，体现了社会责任的导向。最后，在动态变化上，传统机器学习假设数据分布是独立同分布(I.I.D.)且稳定的，而ML4SG需要应对频繁的概念漂移和演化。这种转变反映了机器学习从技术驱动向社会影响驱动的进化。例如，ML4SG可能用于实时监测公共健康数据，处理噪声和不完整信息以保证决策的公平性和安全性。

这一页讲的是 ML for Social Good（ML4SG）与标准机器学习范式之间的三大核心差异，用对比表格的形式列出，是本讲最有考试价值的一页。第一个维度是"数据性质（Data Nature）"：标准 ML 假设数据是静态的、经过人工整理的、标注干净的（Static, curated, clean labels）；而 ML4SG 面对的是流式数据、噪声大、ground truth 极度稀疏（Streaming, noisy, sparse ground truth）。真实社会场景中，比如用摄像头陷阱监测野生动物，你不可能让专家把每一张图都打上精确标签，数据随时在产生，标注永远跟不上采集速度。第二个维度是"优化目标（Objective）"：标准 ML 追求平均准确率最大化（Maximize average accuracy），这在均匀分布的测试集上很好用；ML4SG 必须优化公平性和安全性（Optimize for equity and safety），因为模型犯错的代价在不同群体之间是不对称的——对边缘群体的误判可能造成真实伤害。第三个维度是"数据分布动态（Dynamics）"：标准 ML 假设训练集和测试集同分布（I.I.D.，即 Independent and Identically Distributed），分布是稳定的；ML4SG 必须处理频繁的 Concept Drift 和 Distribution Evolution（概念漂移与分布演化）。考试常见考法是：给你一个场景，问它属于哪种范式，或问 I.I.D. 假设为什么在社会场景下不成立。易错点在于混淆"平均准确率高"与"公平性好"——前者完全可以靠牺牲少数群体来实现。记住这张表就掌握了 ML4SG 的底层逻辑。

这一页讲的是概念漂移 (Concept Drift) 和应对非静态环境的挑战。重点包括环境中的虚拟漂移、传感器检测案例研究以及实时模型更新的重要性。

这一页讲的是概念漂移 (Concept Drift)，即模型在面对非静态环境时如何适应数据分布的变化。首先，环境中的虚拟漂移指的是在监测如鼬类动物时，光照和湿度的变化会影响视觉特征，但物种的身份并未改变，因此模型需实时适应这些变化。其次，传感器检测案例研究强调传感器需处理因季节性行为变化导致的数据分布漂移，这要求传感器具备高度的鲁棒性和适应性。最后，实时模型更新的重要性在于算法需超越静态数据集，通过在线学习识别并补偿环境噪声中的“伪信号”。例如，监测野生动物时，算法需区分因光线变化而产生的视觉干扰与实际目标。这些内容突出了动态环境下模型适应能力的必要性及其对实际应用的影响。

这一页讲的是 Concept Drift（概念漂移）的定义、分类与应对机制，这是 ML4SG 中非常核心的技术挑战，也是 713 课程中持续/增量学习部分的重要考点。Concept Drift 的意思是：模型训练完成后，现实世界的数据分布发生了变化，导致模型性能下滑。这一页用新西兰的白鼬（stoat）监测项目举了一个具体例子，解释了"Virtual Drift（虚假漂移）"的概念：当季节变换、光线变化、湿度变化时，摄像头拍到的白鼬图像的视觉特征发生了改变，但白鼬本身的身份（identity）并没有变。这种情况下模型可能把同一只动物识别为不同个体，这就是 Virtual Drift——看起来是分布漂移，其实是环境因素造成的，不是真正的概念变化。应对策略有三个层面：传感器层面要提高鲁棒性，能抵抗光线、湿度等环境干扰；模型层面要支持 Online Learning（在线学习），即模型能在接收新数据时实时更新参数，而不是重新从头训练；算法层面要能区分"真实漂移"和"虚假信号"，避免因环境噪声而错误更新模型。考试可能问：什么是 Concept Drift，Virtual Drift 和 Real Drift 有什么区别？易错点是把 Concept Drift 理解为"数据变多了"或"模型过拟合"——都是错的，它特指分布或概念的时序变化。Online Learning 的关键优势是实时性，代价是需要更小心地处理噪声和遗忘问题（catastrophic forgetting）。

这一页讲的是如何解决标签稀缺问题，介绍了三个应用场景：快速响应地图、罕见疾病分析和自动化生物多样性。

这一页讲的是应对标签稀缺问题的解决方案，主要涵盖三个具体应用场景。第一是快速响应地图（Rapid Response Mapping），传统标注流程需要数周时间，无法满足灾害实时响应需求。解决方案是通过弱监督（Weak Supervision）和迁移学习（Transfer Learning）生成可操作的地图，将时间缩短至数小时。第二是罕见疾病分析（Rare Disease Analytics），由于全球罕见病例数量有限，预测和诊断面临困难。解决方案是利用数据增强（Data Augmentation）和合成样本生成（Synthetic Sample Generation）构建稳健的诊断模型。第三是自动化生物多样性（Automated Biodiversity），摄像头捕获了数百万张生物图像，但人工识别效率低下。解决方案是通过主动学习循环（Active Learning Loops），让模型识别“困难”案例供专家处理，从而减少高达90%的人工劳动。这些方法展示了机器学习技术在解决实际问题中的重要性和潜力。

这一页讲的是 ML4SG 面临的第二大技术难题：标签稀缺（Label Scarcity），并给出了三种不同场景下的解决方案，这些方案对应的技术在课程考点中都有出现。第一个场景是灾害快速响应制图（Rapid Response Mapping）：灾难发生后需要几小时内生成可操作地图，而传统标注需要几周。解决方案是弱监督（Weak Supervision）加迁移学习（Transfer Learning）——用低质量的标签信息（如众包标注、规则生成的标签）训练模型，再用预训练模型做迁移，大幅缩短时间。第二个场景是罕见病分析（Rare Disease Analytics）：全球只有少数病例，根本没有足够的正样本来训练分类器。解决方案是数据增强（Data Augmentation）和合成样本生成（Synthetic Sample Generation，例如用 GAN 生成虚假但合理的病例数据），从而扩充训练集。第三个场景是生物多样性监测（Automated Biodiversity）：摄像头陷阱每天产生海量图片，人工全标注不可能实现。解决方案是主动学习（Active Learning）：模型自动找出自己最不确定的"难样本（hard cases）"，只把这些送给专家标注，能将人工工作量减少高达 90%。考试常见问法是：解释 Active Learning 的核心思路，或比较 Active Learning 与 Semi-supervised Learning 的区别。易错点：Active Learning 不是完全无监督，它仍然需要人工标注，只是最大化了每个标注的信息价值。

这一页讲的是隐私保护架构，包括联邦学习（Federated Learning）、数据主权（Data Sovereignty）和差分隐私（Differential Privacy）。

这一页讲的是隐私保护架构的三种方法。第一是联邦学习（Federated Learning），它通过分布式设备训练模型，设备仅保留本地数据样本而无需交换数据。这种方式打破了数据孤岛，特别适用于医疗领域，确保患者记录不会离开医院服务器。第二是数据主权（Data Sovereignty），它强调数据需遵守采集地的法律和治理结构，赋予地方社区对敏感地理和社会信息的所有权和控制权。第三是差分隐私（Differential Privacy），通过向数据集添加数学噪声，使个体记录无法从汇总结果中被识别。这种方法支持发布关键的人口普查或人口趋势数据，同时保护参与者的身份安全。这三种方法共同为隐私保护提供了技术框架，适用于不同场景和需求。

这一页讲的是 ML4SG 中保护用户隐私的三种主流架构：联邦学习（Federated Learning）、数据主权（Data Sovereignty）和差分隐私（Differential Privacy），这三个概念是当前负责任 AI（Responsible AI）领域的高频考点。联邦学习的核心思路是：不把数据搬到中央服务器，而是把模型发到数据所在的设备（如各医院的本地服务器），每个设备在本地用自己的数据训练后，只把模型的参数更新（梯度）发回汇总，原始数据从不离开本地。这样医疗机构之间可以共同训练一个更强大的诊断模型，同时保证病人隐私。数据主权（Data Sovereignty）是一个法律与伦理概念：数据应受其产生地所在的国家和社区的法律与治理结构约束。在新西兰语境下，这对毛利社区的地理和文化数据保护尤其重要，社区对自己的数据有完全的所有权和控制权。差分隐私（Differential Privacy）是数学层面的隐私保护：在数据集或查询结果中人为加入经过精心设计的随机噪声，使得攻击者即便拿到聚合结果，也无法反推出任何单个个体的信息。其数学保证是：某个记录存不存在于数据集中，对输出的影响被严格控制在参数 epsilon 以内。考试可能问：联邦学习如何在不共享数据的前提下训练模型？差分隐私的隐私保证是什么？易错点：联邦学习并非完全安全，仍可能通过梯度逆向工程泄露信息，差分隐私加的噪声越大隐私保护越强，但模型精度会下降——这是 privacy-utility tradeoff。

这一页讲的是 MARS Lab 生命周期的五个阶段，包括 Collaborate、Frame、Design、Verify 和 Deploy。

这一页讲的是 MARS Lab 生命周期的五个阶段，分别是：1. Collaborate（协作），与领域专家和利益相关者合作，确保项目目标和需求清晰；2. Frame（框定），定义项目的影响和约束条件，明确问题范围；3. Design（设计），进行严格的算法研究，开发解决方案；4. Verify（验证），在真实世界系统中测试算法的效果和可靠性；5. Deploy（部署），将经过验证的解决方案应用于实际场景，确保其可持续性。这一流程强调了从问题定义到解决方案实施的系统性方法，确保技术成果能够满足实际需求并产生长期价值。例如，在能源领域，可以通过与专家协作定义需求，设计优化算法，验证其在能源管理系统中的有效性，最终部署到太阳能发电场中实现节能目标。

这一页讲的是 MARS Lab 的核心理念，强调机器学习 (ML) 应用于社会公益的目标不是追求复杂性，而是构建稳健且公平的模型，真正惠及社区。

这一页讲的是 MARS Lab 的哲学理念，重点在于机器学习 (ML) 应用于社会公益的目标。核心思想是，模型的复杂性并非最重要的追求，真正的价值在于模型的稳健性 (robustness) 和公平性 (equity)。稳健性意味着模型在不同环境或数据条件下都能保持可靠的性能；公平性则强调模型能够平等地服务于不同群体，避免偏见和歧视。更重要的是，这些模型必须能够实际应用于社区，解决真实问题，而不是停留在理论层面。这个理念提醒我们，技术的最终目标是服务于社会，而非仅仅炫耀技术能力。例如，在医疗领域，开发一个简单但可靠的诊断模型，能够帮助资源匮乏地区的患者，比一个复杂但无法落地的模型更有意义。

这一页讲的是 MARS Lab 和案例研究，展示了实验室的高科技环境及其数据分析能力。

这一页讲的是 MARS Lab 和案例研究，重点介绍了实验室的高科技环境及其在数据处理和分析中的应用。从图片中可以看到一个现代化的控制中心，配备多个显示屏，屏幕上显示复杂的图表和数据分析结果。这些图表可能包括趋势分析、分布图以及网络结构等，表明实验室可以处理多维度的数据。此外，图片中的虚拟动物（例如豹子和大象）可能象征着实验室在生物数据或生态系统研究中的应用。这个实验室的设计和功能体现了数据驱动的科学研究的重要性，强调了通过技术手段连接自然与科学的能力。例如，实验室可能用于追踪动物行为模式或预测生态变化。这种环境为研究者提供了强大的工具支持，能够更高效地解决复杂问题。

这一页讲的是MARS实验室团队的两位负责人。分别是Prof. Yun Sing Koh和Prof. Gillian Dobbie。

这一页讲的是MARS实验室团队的组成，重点介绍了两位负责人。Prof. Yun Sing Koh和Prof. Gillian Dobbie是MARS实验室的主管（Director of MARS Lab）。这一页通过展示他们的照片和名字，突出了他们在实验室中的领导角色。这些信息表明MARS实验室由两位经验丰富的学者共同领导，强调了团队的专业性和学术背景。这种领导结构通常有助于推动实验室在研究方向上的多样性和深度。

这一页讲的是 Centre for ML4SG 的核心理念，包括合作、使命和社区。重点是通过跨学科合作解决社会问题，推动机器学习研究与实际应用领域的结合。

这一页讲的是 Centre for ML4SG (Machine Learning for Social Good) 的目标与价值。这是新西兰首个专注于社会公益的机器学习中心，旨在通过跨学科合作解决高影响力的社会问题。页面重点提到三个核心理念：第一是 Collaboration (合作)，强调弥合机器学习研究人员与领域专家之间的差距，从而实现技术与实际需求的结合；第二是 Mission (使命)，致力于为最具挑战性的问题催化解决方案；第三是 Community (社区)，着眼于赋能下一代，为未来培养更多具有社会责任感的技术人才。此外，底部强调了该中心的宗旨，即通过协作研究解决社会问题，并作为奥克兰大学的跨学科卓越中心。这一机构的存在说明机器学习不仅是技术领域的创新工具，也可以成为解决社会问题的重要力量，例如预测自然灾害或优化医疗资源分配。

这一页讲的是 Wildlife Re-Identification 项目，利用计算机视觉技术识别动物个体而无需物理标签。

这一页讲的是 Wildlife Re-Identification 项目，核心是通过计算机视觉（computer vision）开发非侵入式方法追踪动物个体，从而实现安全且可扩展的长期生态监测。这项研究由一个学术团队支持，包括1名博士后研究员（Postdoc Researcher）、2名博士生（PhD Candidates）和1名硕士生（MSc Student）。此外，该项目与全球知名机构合作，例如联合国教科文组织（UNESCO）、加州大学伯克利分校（UC Berkeley）以及新西兰自然保护部（DOC NZ）。幻灯片强调了项目的愿景，即通过技术手段减少对动物的干扰，同时提升生态研究的效率和精度。

这一页讲的是 Stoat Re-ID 项目，旨在保护新西兰生物多样性并支持 Waiheke Eradication 计划。重点挑战是解决密林环境中的开放集识别问题。

这一页讲的是 Stoat Re-ID 项目，它是新西兰为保护生物多样性而开展的重要工作，同时支持 DOC 的 Waiheke Eradication 计划。项目的核心挑战是处理密集森林环境中的开放集识别（Open-Set Recognition）问题，这种环境具有巨大的类内差异（intra-class variance），例如黄鼠狼在不同场景下的外观变化。通过使用摄像头捕捉的数据集，该项目成功实现了对入侵黄鼠狼的准确识别。这种技术不仅提高了生态系统监测的效率，还为复杂环境中的生物保护工作提供了强大的支持。一个例子是，通过这种方法，可以更快速地识别和定位黄鼠狼，从而采取针对性的保护行动。

这一页讲的是数据集MetaWild和方法MFA。MetaWild包含丰富的环境元数据，MFA通过整合元数据提升动物身份识别性能，支持多模态推理和野生动物监测。

这一页讲的是MetaWild数据集和Meta-Feature Adapter (MFA)方法。MetaWild数据集提供了超过20,800张图片，附带详细的环境元数据（如温度、时间、地点），为真实世界中的动物身份识别（Re-ID）研究奠定了多模态基础。幻灯片中的元数据分析图展示了不同物种在温度上的分布特征，说明环境信息在分类中的重要性。MFA是一种轻量化模块，用于结合环境元数据和视觉特征，提升模型在真实野生动物保护场景中的表现。它支持多模态推理（Multimodal Reasoning），具有轻量化和即插即用（Lightweight Plug-and-Play）的特点，并增强了野生动物监测能力（Enhanced Wildlife Monitoring）。例如，通过整合图片中的时间戳和温度数据，MFA可以更准确地识别动物种类。这种方法对野生动物保护和生态研究具有重要意义。

这一页讲的是 CARE Toolkit 软件，利用 CLIP 模型进行动物身份再识别。重点包括语义特征对齐、局部部署和减少人工干预。

这一页讲的是 CARE Toolkit 软件，它采用 CLIP-based Animal RE-identification（动物身份再识别）技术，旨在解决生物多样性保护中的关键问题——识别个体动物。传统方法在高个体内差异和低个体间差异情况下表现不佳，而 CARE 通过将个体级语义特征与视觉表示对齐，并结合图像条件的文本描述，有效缓解视觉歧义。右侧的流程图展示了 CARE Toolkit 的工作流程，包括用户通过图形界面上传图像，生成检测库和身份库，最终利用动物身份再识别模型完成匹配。软件的特点包括语义特征对齐（Semantic Feature Alignment）、局部托管系统（Locally Hosted Software System）和最少人工干预（Minimal Human Intervention）。此外，系统显著减少了野生动物监测中的标注工作量和人工错误风险，支持大规模相机陷阱数据处理。这种工具对于实际的野生动物保护和监测具有重要意义。

这一页讲的是通过预测建模优化奥克兰市中心空气传感器的布置。重点包括目标、方法和影响。

这一页讲的是如何利用预测建模(Predictive Modelling)优化奥克兰市中心(Auckland CBD)的空气传感器布置，以支持可持续发展政策。目标是通过定位交通繁忙的城市区域，优化传感器的分布。方法采用图神经网络(Graph Neural Networks, GNNs)，估算没有传感器区域的空气质量，并识别高不确定性地点。图中展示了传感器分布和连接关系，结合数据预测空气质量。影响方面，这种方法能够在降低基础设施成本的同时，最大化空间覆盖率、推断准确性以及政策的实际效果。此外，与奥克兰市政府合作确保数据驱动的传感器布置能够支持人口密集的城市环境。这种方法不仅提高了空气质量监测的效率，还为城市规划提供了科学依据。例如，在交通流量大的区域布置更多传感器，可以更准确地捕捉空气污染变化。

这一页讲的是用图神经网络（Graph Neural Networks，GNN）解决城市空气质量传感器选址与预测问题，GNN 是 713 课程明确提及的现代深度学习架构之一，结合社会应用场景理解会更深刻。项目目标是为奥克兰 CBD 优化空气质量传感器的放置位置，从而支撑可持续发展政策。核心挑战是：城市中不可能到处都装传感器，没有传感器的地方空气质量是未知的。GNN 的优势在于它能自然地表达空间关系——把城市中的节点（已有传感器位置）和边（节点之间的地理或道路关系）建模为图结构，然后通过图上的消息传递机制（Message Passing）来推断没有传感器覆盖区域的空气质量估计值。不确定性高的位置被优先识别为新传感器的候选安装点。这比传统的插值方法更能捕捉城市空间的非均匀性和网络拓扑特征。考试中 GNN 的常见考点是：GNN 和普通 CNN/MLP 的区别在于它处理的是非欧几里得空间（图结构）而非规则网格；消息传递的过程是节点聚合邻居信息来更新自己的表示（representation）。这一页还体现了 ML4SG 的典型闭环：最小化基础设施成本（减少传感器数量）同时最大化空间覆盖和预测精度，与政策制定方（奥克兰市政会）紧密合作。易错点：不要把 GNN 和图数据库混淆，GNN 是做表示学习和预测的神经网络，不是数据存储工具。

这一页讲的是预测空气质量中的极端事件，重点包括目标、方法、影响和合作。目标是分析和预测极端空气质量事件以减少环境风险；方法是使用预测模型；影响是提供管理空气质量风险的框架；合作属于MBIE Taiao项目。

这一页讲的是预测空气质量中的极端事件。目标（Objective）是分析和预测极端空气质量事件，以减少对环境可持续性的威胁。这种预测对保护环境至关重要。方法（Method）采用预测建模（predictive modeling），综合考虑人为排放（anthropogenic emissions）和自然现象（natural phenomena）对污染水平的影响。这种方法通过数据驱动的方式提高预测的准确性。影响（Impact）在于提供一个主动管理框架，用于应对重大空气质量危害和环境风险。这种框架可以帮助政策制定者和相关机构提前采取措施，减少极端事件的负面影响。合作（Collaboration）方面，这个项目是MBIE Taiao项目的一部分，表明了跨机构合作在解决复杂环境问题中的重要性。图片展示了烟囱排放的浓烟，直观体现了空气污染的实际场景，强调了研究的现实意义。

这一页讲的是异常船只转运识别技术，重点包括其目标、方法、影响和合作。目标是自动化监控船只活动，方法使用动态图神经网络（DGNNs）进行异常分类。

这一页讲的是异常船只转运识别技术（Anomalous Vessel Transshipment Identification）。首先，目标是通过自动化监控数十万艘船只，识别可疑活动和异常转运行为。这对于海上安全和全球海洋管理非常重要。方法部分提到利用动态图神经网络（Dynamic Graph Neural Networks, DGNNs），将船只建模为时间网络，从而实现自动化的异常分类。这种技术能够处理复杂的时间和空间关系，提高识别效率。影响方面，该技术提升了海事监控的可扩展性，加强了渔业法规的执行，同时提高了全球海洋管理的效率。最后，合作部分提到与新西兰地球科学组织合作，支持全球范围内的行为识别。这种跨国合作进一步增强了技术的应用范围和影响力。

这一页讲的是海事轨迹的异常检测。重点包括目标是识别异常船只行为以应对环境威胁和非法活动;方法使用 AIS 数据和机器学习模型;影响是提高海洋区域监控能力。

这一页讲的是海事轨迹的异常检测（Anomaly Detection for Maritime Trajectories）。目标是通过识别船只轨迹中的异常行为，发现环境威胁、非法捕捞或遇险船只等问题，从而提升动态海洋环境中的安全性。方法上，利用自动识别系统（AIS）数据结合机器学习技术，创建能够适应动态模式变化的模型，并有效处理未标注数据以实现实际应用。影响方面，这种技术能够在缺乏明确地面真值的海洋区域实现高效监控，减少石油泄漏、生物安全漏洞和海上危险等风险。此外，项目是与 TAIAO 和 Starboard Maritime Intelligence 合作开展的，体现了跨领域协作的重要性。举例来说，某船只轨迹突然偏离常规航线，系统可及时识别并发出警报以防止潜在风险。

这一页讲的是动物行为分析在福利管理中的应用。主要内容包括目标是扩展自动化行为分析到野生动物领域，方法是使用多模态生成模型，影响是减少人工劳动并提升动物福利管理。

这一页讲的是动物行为分析在动物福利管理中的重要性和应用。目标是将自动化行为分析扩展到野生动物领域，以解决开放世界视频理解问题，特别是用于圈养动物福利的研究。方法部分提到使用因果关系驱动的多模态生成模型，这些模型能够结合动物的本能和生物学需求来更准确地分析行为。页面右侧的图片展示了一个老虎的行为分析示例，使用了骨架追踪技术来标注其动作。影响方面，这项研究为行为分析的自动化提供了框架，有助于减少人工劳动并提高动物福利管理的效率。关键词包括视频理解、动作分割和多模态大语言模型（Multimodal LLMs），这些技术是实现该目标的重要工具。举例来说，通过视频分析，可以实时监测动物的活动状态，从而及时发现异常行为并采取措施。

这一页讲的是基于物理的生成式机器学习用于高分辨率气候降尺度预测。重点包括目标、方法和影响。

这一页讲的是基于物理的生成式机器学习（Physics-Informed Machine Learning，PIML）如何用于高分辨率气候降尺度预测，以应对极端天气事件如局部洪水等问题。目标是为社区提供准确的高分辨率气候预测，帮助适应极端天气事件。方法是开发注入物理规则（如质量守恒、热力学）的生成式模型，并结合强大的人工智能架构。这样做的影响是确保气候预测具有数学上的精确性、现实性，并严格遵守自然法则。右侧的图表展示了从低分辨率到高分辨率的气候数据转化过程，说明了生成式模型如何提升数据的空间细节。关键词包括基于物理的机器学习（PIML）、气候降尺度（Climate Downscaling）、生成式人工智能（Generative AI）和深度学习（Deep Learning）。

这一页讲的是将物理先验知识注入生成式机器学习模型，用于气候降尺度（Climate Downscaling），即把低分辨率的气候预测细化为高分辨率的本地化预报，这是 Physics-Informed Machine Learning（PIML）的典型应用。背景是：传统气候数值模型（如 RCM，Regional Climate Model）物理上非常精确，但计算成本极高——运行 500 个集成成员（ensemble members）耗资 3000 万到 5000 万美元，用传统高性能计算集群跑一次就需要天文级算力。AI 替代方案的成本仅约 3 万到 10 万美元，速度提升 1000 倍，但纯数据驱动的 AI 模型有一个致命弱点：它不理解物理规律，可能生成在物理上不可能的预测（比如质量不守恒、热力学规律被违反）。解决方案是 Physics-Informed Generative Model：在神经网络的损失函数（loss function）或架构中显式加入物理约束——比如质量守恒（mass conservation）、热力学定律——让模型在生成结果时必须遵守自然法则。这样得到的气候预测既数学上锐利精准，又物理上合理可信。考试中 PIML 的常见考点是：PIML 的核心思想是将 domain knowledge（领域知识/物理方程）作为归纳偏置（inductive bias）加入模型，从而减少数据需求并提升外推能力。与纯数据驱动方法对比，PIML 在数据稀少的极端事件预测上有明显优势。易错点：PIML 不是用物理模型替换神经网络，而是让两者协同工作——神经网络负责捕捉复杂的非线性模式，物理约束负责保证结果的合理性边界。

这一页讲的是利用机器学习应对极端降雨的研究。重点包括研究目标、方法和影响。

这一页讲的是利用机器学习技术处理极端降雨问题。首先，研究目标是克服传统模型在预测高强度降雨方面的局限性，同时提高气候数据的分辨率，从而更好地帮助社区应对气候变化。其次，方法部分介绍了一种先进的深度学习模型——BGNet，它能够准确地建模极端事件的统计分布，并实现数据分辨率的提升。最后，影响部分强调了该研究的实际意义，包括帮助制定针对性的保护措施、改善灾害响应能力，以及增强易受灾害人群的气候韧性。此外，研究是与国家水与大气研究所（NIWA）合作完成的。右侧图片展示了极端降雨导致的洪水场景，突出了问题的紧迫性和研究的重要性。

这一页讲的是利用机器学习进行气候建模与解释。主要内容包括开发一种混合型区域气候模型 (RCM) 模拟器，显著降低计算成本并提高速度，同时量化气候风险的不确定性。

这一页讲的是通过人工智能 (AI) 驱动的混合型区域气候模型 (RCM) 模拟器来进行气候建模与解释。目标是开发一个由物理学指导的 RCM 模拟器，其速度比传统方法快 1000 倍，同时显著降低计算成本。方法上，这种 AI 驱动的模拟器成本约为 3 万到 10 万美元，而传统基于物理的 500 成员集合模型的成本高达 3000 万到 5000 万美元。它的影响主要体现在能够更好地量化与气候相关的风险不确定性，并通过高效的世纪尺度预测为新西兰提供支持。此外，该项目与新西兰国家水与大气研究所 (NIWA) 合作进行。页面还提到关键技术包括气候建模 (Climate Modelling)、自监督学习 (Self-supervised Learning) 和可解释 AI (Explainable AI)。

这一页讲的是用机器学习技术监测有害藻华（HABs）。主要内容包括目标、方法和影响，强调半监督学习和迁移学习在卫星图像分析中的应用。

这一页讲的是如何利用机器学习技术通过卫星图像数据监测有害藻华（Harmful Algal Blooms, HABs）。目标是通过全球化和快速的方式检测HABs，从而保护生态系统和人类健康。方法上采用远程感知技术，结合半监督学习（Semi-supervised Learning）和迁移学习（Transfer Learning），提升传统实验室分析的成本效益和分辨率。影响体现在能够更频繁、更精准地标记有毒水体状况，从而保护当地生态系统、水产养殖和人类健康。页面还提到该项目属于MBIE Taiao Programme的一部分，体现了合作的重要性。图像展示了卫星拍摄的水体，其中绿色区域可能代表藻华的分布，直观地说明了技术应用的场景。

这一页讲的是预测 2 型糖尿病和糖尿病前期患者的血糖水平。重点包括目标是开发预测工具、方法是机器学习、影响是减少低血糖和长期并发症风险。

这一页讲的是预测 2 型糖尿病和糖尿病前期患者的血糖水平。目标是开发一种创新的预测工具，帮助患者主动管理健康。方法部分提到利用机器学习 (Machine Learning) 从个体患者数据中学习，根据个人需求和代谢模式定制血糖预测。影响方面，这种工具能够通过提供饮食和药物决策的洞察，降低低血糖和长期并发症的风险。协作部分强调该项目结合了数据分析 (Data Analysis) 和预测建模 (Predictive Modeling)，以改善患者的健康结果。图片展示了一个血糖监测仪，说明了血糖监测的重要性。这样的工具可以帮助患者更好地理解自己的血糖变化趋势，例如通过识别高血糖风险时间段，调整饮食或药物方案。

这一页讲的是利用机器学习预测痴呆症的研究。重点包括目标是开发模型预测风险因素和诊断痴呆症，使用纵向数据和时间序列分析，强调早期诊断的重要性及其对医疗成本和患者生活质量的改善。

这一页讲的是利用机器学习 (Machine Learning) 来预测痴呆症 (Dementia)。目标是开发基于常规收集的健康数据的机器学习模型，用于分类风险因素并预测未来的痴呆症诊断。方法包括使用纵向健康数据 (Longitudinal Data) 和时间序列分析 (Time Series Analysis)，同时考虑数据使用的伦理态度和公众偏好。研究的影响在于能够实现早期诊断，从而减少医疗成本并提高患者的生活质量，特别是在新西兰 (Aotearoa New Zealand)。协作部分提到，这项研究基于新西兰的流行病学数据需求，为医疗人员提供先进的诊断工具。右侧的图表展示了不同族群（如毛利人、欧洲人、亚洲人等）在早期、中期和晚期生活阶段的风险因素分布，例如教育水平低、听力损失、高血压、肥胖等。图表强调了不同族群的风险因素差异，这对于制定针对性的医疗干预策略非常重要。

这一页讲的是通过多模态数据收集和 LLM 支持的主题分析，研究新西兰青年生活经历以影响健康政策。重点包括目标、方法、影响和合作。

这一页讲的是通过以儿童为中心的多模态数据收集，研究新西兰青年（rangatahi）的多样化生活经历，以提供健康政策制定的依据。目标是通过文化视角理解青少年的成长旅程。方法上，使用 LLM 支持的主题分析（Thematic-LM）和视觉-语言模型，分析大规模的定性数据，同时确保文化背景的融入。影响在于将这些叙述转化为及时且与政策相关的证据，关注身份和参与度，同时保留真实生活经历的细腻性。合作方面，这个项目由奥克兰大学支持，扩展了“在新西兰成长”纵向研究（Growing Up in New Zealand longitudinal study），并结合了毛利文化视角（te ao Māori lens）。页面底部的关键词“Longitudinal Study”“Child Development”“Health & Wellbeing”强调了研究的核心领域。

这一页讲的是讨论与问题环节，重点是研究如何弥合算法准确性与社会影响之间的差距。

这一页讲的是讨论与问题环节，核心问题是“如何通过研究弥合算法准确性（algorithmic accuracy）与社会影响（societal impact）之间的差距”。这一主题强调了机器学习和人工智能研究中不仅要追求技术上的精准性，还需要考虑其对社会的实际影响。例如，一个高准确性的预测模型可能会在某些情况下加剧社会不平等问题，因此研究者需要在设计算法时权衡技术性能与公平性、可解释性等社会因素的重要性。这一问题的讨论旨在引导大家思考如何在研究中结合技术与伦理，推动机器学习为社会带来积极的影响。