7月15日 叶颀教授学术报告

发布时间:2019-07-11

报告题目：Kernel-based Probability Measures for Data Analysis: A Deterministic or Stochastic Problem?

主讲人：叶颀教授，华南师范大学

报告时间：2019年7月15日 10:00-11:00

报告地点：南校园336栋（旧数学楼）210

主持：江颖副教授

摘要：In the talk, we introduce a concept of kernel-based probability measures on Banach spaces to solve a deterministic problem by a stochastic approach such as collocations and interpolations. We combine the theory of numerical analysis, regression analysis, and stochastic analysis to renew the classical kernel-based approximation methods for data analysis and machine learning. The kernel-based probability measures give a numerical tool to construct and analyze the kernel-based estimators based on the generalized data including kernel-based algorithms and error analysis.

个人介绍：叶颀，博士，教授，博士生导师；现任华南师范大学机器学习与最优化计算实验室主任；2006年华南师范大学获学士学位，2007年华南师范大学硕士研究生学习，师从黄力人教授，研究非光滑分析和最优化计算方法；2012年美国伊利诺理工大学（Illinois Institute of Technology）获博士学位，师从Gregory E. Fasshauer教授，研究核函数逼近方法（Kernel-based Approximation Method）的理论及其应用；2012-2015年美国雪城大学（Syracuse University）从事博士后教学研究工作，合作导师许跃生教授，共同研究在再生核巴拿赫空间中的机器学习方法；2015-2016年香港浸会大学，与凌立雲教授合作研究应用核函数逼近方法计算带噪声高维数据的数值微分。研究领域主要是逼近论及其在机器学习和数据分析中的应用，涵盖数值分析、统计回归分析和随机分析等；现研究方向包括1、在再生核巴拿赫空间中的机器学习方法，特别是稀疏机器学习方法，2、在核函数概率测度中的广义数据分析方法，特别是径向基函数的有限积分方法。多篇文章在著名国际学术期刊上发表，其中有Memoirs of the American Mathematical Society、Numerische Mathematick和Applied and Computational Harmonic Analysis等。