• 统计研究中心
当前位置: 首页> 系列讲座> 正文

哥伦比亚大学袁明教授:Information Based Complexity for High Dimensional Statistical Models

光华讲坛——社会名流与企业家论坛第 期

(线上报告)

主题Information Based Complexity for High Dimensional Statistical Models

主讲人哥伦比亚大学袁明(MING YUAN)教授

主持人统计学院林华珍教授

时间2020年9月22日(周二)上午10:00-11:00

直播平台及会议ID腾讯会议,971 592 701

主办单位:统计研究中心和统计学院 科研处

主讲人简介:

         袁明,现为哥伦比亚大学统计系教授,2004年从威斯康星大学麦迪逊分校取得博士学位。他的研究兴趣包括:应用数学、计算机科学、电气工程、金融计量经济学、医学信息、优化和统计学等领域,并在这些领域发表了100余篇论文(其中在统计学国际顶级期刊JASA、JRSSB、Biometrika和AoS上发表论文近30篇)。2018年获得IMS的Medallion Lecturer,2017年获得ASA Section on SLDS的Leo Breiman Junior Award,2014年获得Royal Statistical Society的Guy Medal in Bronze。2009年获得National Science Foundation 的CAREER Award。现为统计学国际顶级期刊AoS的Co-Editor,IMS的Program Secretary, INFORMS QSR Section 的Advisory Board Member。详情请见其个人主页:http://www.columbia.edu/~my2550/



内容提要:

   I will introduce a coherent framework to quantify the complexity of high dimensional models that appropriately accounts for both statistical accuracy and computational cost and better understand the potential trade-off between the two types of efficiencies and. As an example, I will use this notion of complexity to examine high-dimensional and sparse nonparametric problems to illustrate how this can lead to the development of novel and optimal sampling and estimation strategies, and in particular reveal the role of experimental design in alleviating computational burden.

我将介绍一个一致的框架来量化高维模型的复杂度,该框架适当地考虑了统计精度和计算成本,并更好地理解这两种效率之间的潜在权衡。作为一个例子,我将使用复杂度的概念来检查高维和稀疏的非参数问题,来说明如何得到新的和最优的抽样和估计策略,特别是揭示实验设计在减轻计算负担方面的作用。


上一条:康涅狄格大学陈昆(CHEN KUN)副教授: Improving suicide risk prediction through integrative statistical learning

下一条:中国科学技术大学王学钦教授:A Polynomial Algorithm for Best Subset Selection Problem