• 统计研究中心
当前位置: 首页 > 系列讲座 > 正文

华东师范大学周勇教授:General assumptions in semi-supervised learning


  General assumptions in semi-supervised learning

主讲人华东师范大学周勇教授

主持人统计学院陈雪蓉副教授

时间2022422日(周五)下午1400-1500

直播平台及会议ID:腾讯会议,ID: 529-689-935

主办单位:统计研究中心和统计学院 科研处

主讲人简介:

周勇教授,国家杰出青年基金获得者,中国科学院百人计划入选者,国务院政府特殊津贴专家,“新世纪百千万人才工程”国家级人选,华东师范大学经管学部教授,统计交叉科学研究院院长。 他是国务院学位委员会第七届统计学科评议组成员,教育部应用统计专业硕士教学指导委员会委员,现任中国统计学会副会长,中国优选法统筹法与经济数学研究会副理事长,中国管理科学学会常务理事。同时担任国内外几个重要学术期刊的编委和副主编,包括国际期刊《Journal of Business and Economic Statistics》、《Canadian Journal of Statistics》、《Sankhya B》编委等。

周勇教授主要从事大数据分析与建模、金融计量、风险管理、计量经济学、统计理论和方法等科学研究工作,取得许多有重要学术价值和影响的研究成果。先后承担并完成国家自然科学基金项目,国家杰出青年基金,自然科学基金委重点项目等科学项目10余项,曾获得省部级奖励二项。在包括国际顶级《The Annals of Statistics》、《Journal of The American Statistical Association》,《Biometrika》,《Journal of Econometrics》和《Journal of Business & Economic Statistics》等学术杂志上发表学术论文近200篇。


内容提要:

We study a class of general M-estimators in the semi-supervised setting, wherein the data are typically a combination of a relatively small labelled data set and large amounts of unlabelled data. A new model-free estimator, which efficiently utilises the useful information contained in the unlabelled data, is proposed via a projection technique. We prove consistency and asymptotic normality, and provide an inference procedure based on a plug-in rule. The optimal weights are derived to balance the contributions of the labelled and unlabelled data. It is shown that the proposed method, by taking advantage of the unlabelled data, produces more efficient estimation of the target parameters than the supervised counterpart. Supportive numerical evidence is shown in simulation studies. Applications are illustrated in analysis of the homeless data in Los Angeles.


上一条:宾州州立大学李润泽教授: A Tuning-free Robust and Efficient Approach to High-dimensional Regression

下一条:伊利诺伊大学香槟分校陈玉国教授:Popularity-Adjusted Block Models for Networks with Community Structure