• 统计研究中心
当前位置: 首页 > 系列讲座 > 正文

中国人民大学李赛副教授:Estimation and Inference for High-Dimensional Generalized Linear Models with Knowledge Transfer

光华讲坛——社会名流与企业家论坛第    期

主 题Estimation and Inference for High-Dimensional Generalized Linear Models with Knowledge Transfer

主讲人中国人民大学李赛副教授

主持人统计学院林华珍教授

时间:2023年3月3日(周五)下午3:00-4:00

地点:柳林校区弘远楼408会议室

主办单位:统计研究中心和统计学院 科研处

主讲人简介:

李赛,中国人民大学统计与大数据研究院准聘副教授,博士生导师。2018年于罗格斯新泽西州立大学获得统计博士学位,毕业后于宾夕法尼亚大学生物统计系和统计系进行博士后研究,目前的研究方向包括高维数据分析、迁移学习、因果推断的统计方法及理论和在遗传学、流行病学和机器学习中的应用。


内容提要:

Transfer learning provides a powerful tool for incorporating multiple related studies into a target study with successful applications in machine learning and biological research. In epidemiology and medical studies, the classification of a target disease could borrow information across other related diseases and populations. In this work, we introduce a novel algorithm that integrates data from the target study and the source studies in generalized linear models. The proposed estimator is shown to be minimax optimal. Statistical inference for the target regression coefficients is also studied based on transfer learning.

迁移学习提供了一个强大的工具,可以将多个相关研究整合到一个目标研究中,并在机器学习和生物学研究中成功应用。在流行病学和医学研究中,目标疾病的分类可以借鉴其他相关疾病和人群的信息。在这项工作中,主讲人介绍了一种新的算法,该算法在广义线性模型中集成了来自目标研究和源研究的数据。所提出的估计量被证明是极小极大最优的。研究了基于迁移学习的目标回归系数的统计推断。


上一条:加州大学河滨分校李业华教授: Spatially Dependent Functional Data: Covariance Estimation, Principal Component Analysis, and Kriging

下一条:中国科学院数学与系统科学研究院 陈敏研究员: Semi-parametric inference for large-scale data with non-stationary non-Gaussian temporally dependent noises