学术报告
我的位置在: 金沙7727赌城网站 > 学术报告 > 正文
Basis selection methods in nonparametric regressions
浏览次数:日期:2021-07-12编辑:信科院 科研办

报告人:孟澄博士,中国人民大学统计与大数据研究所

报告时间:2021714 下午3:00

报告地点:信息科学与工程学院 624


报告摘要:子抽样技术是大数据时代的重要工具,在统计模型,机器学习算法,网络信息安全中都有重要应用。我们考虑非参数回归中的子抽样问题,又称基函数选择问题。这个问题可以划归为,如何从现有的数据中抽取一部分最有信息量的数据点,使得能最好得估计原函数。我们将从理论和算法两个层面介绍一系列这方面的研究,解释理论上何为最有信息量的数据点,以及在实际大数据中如何用算法快速抽取这些数据。

Subsampling technique is an important tool in big-data analysis. It is widely used in statistical modeling, machine learning and network information security. We consider the subsampling problem in the non-parametric regression, i.e., the basis selection problem. In the basis selection problem, we need to select the most “informative” subsamples that can well recover the underlying true function. We will introduce a series of works. Theoretically, we will explain the “informativeness”; practically, we will show how to select such informative subsamples.


报告人简介:2015年毕业于清华大学数学系,2020年毕业于美国佐治亚大学统计系,师从马平教授与钟文瑄教授,获统计学博士学位。目前的主要研究方向有,大数据里的抽样和降维问题,最优传输中的计算问题和理论性质分析,光滑样条,医学影像数据以及三维点云数据处理与分析,以及传统统计和深度学习间的联系等。


邀请人:陈果


联系人:尹希金