报名 | “深度学习与统计学理论”研讨会

北京大学数学科学学院教授。之前曾经先后任教于浙江大学和上海交通大学，任聘计算机科学教授。主要从事应用统计、机器学习与人工智能领域的研究和教学。是国际机器学习旗舰刊物Journal of Machine Learning Research的执行编委，并多次受邀担任国际人工智能顶级学术会议的高级程序委员或领域主席。讲授有网络公开课《统计机器学习》、《机器学习导论》、《应用数学基础》和《强化学习》等。

机器学习的发展给统计学带来了深刻的影响。Leo Breiman 在他发表于2001年的著名论文“Statistical Modeling: The Two Cultures”中首次讨论了统计学和机器学习之间的文化差异，提出了统计学专注“Data Modeling Culture”，而定义机器学习为“Algorithmic Modeling Culture”。Bradley Efron在其2019年ISP(International Statistical Prize) lecture和随后发表的论文“Prediction, Estimation, and Attribution”中再次发人深思地探讨了经典统计学和现代机器学习的分歧，他把机器学习定义为“Pure Prediction Algorithms”，而用“estimation”和“attribution”来刻画传统统计回归方法。在这个报告中，我试图用“prediction, computation, and representation”三元素来阐述机器学习的本质。特别地，从“representation”角度来看待机器学习，表明它的发展贯穿着如何解决“dimensionality curse”和利用“dimensionality blessing”。深度学习则完美诠释了这两者之间的权衡，它也是迄今为止把“Data Modeling Culture”和“Algorithmic Modeling Culture”融为一体的最佳技术途径。

南京大学人工智能学院副教授，主要围绕机器学习理论相关方面开展研究，在AIJ、COLT、ICML、NeurIPS等重要国际期刊/会议发表论文多篇。近年应邀担任IJCAI 2017-2020高级程序委员，以及ICML、NeurIPS、KDD等重要国际会议程序委员。担任中国计算机学会人工智能与模式识别专委会委员、中国人工智能学会机器学习专委会委员、江苏省人工智能学会副秘书长等。获教育部自然科学一等奖 (排名第三)、CCF优秀博士论文奖、江苏省优秀博士论文奖，入选微软亚洲研究院青年学者“铸星计划”等。

深度学习近年来受到了人们的广泛关注，当前深度学习一般泛指参数化可微分构件的深度神经网络，在诸多现实任务中取得了成功，同时也带来了计算资源、人力成本、可验证性等问题。课题组近年来致力于非参深度学习的研究，其基本构建是非参数化、不可微分的随机森林模型，非参深度学习在诸多任务中取得了与深度学习相当的效果，特别对离散型学习任务往往表现出更好的效果。本报告将介绍我们最近在非参深度学习方面取得的理论初步进展，着重介绍收敛界的研究，在理论上指导非参深度模型的构建。

北京大学教授，智能科学系副主任。同时是清华大学交叉信息学院兼职教授。他的主要研究方向为机器学习理论。在顶级会议、期刊发表论文100余篇。他是TPAMI编委，NeurIPS, ICML领域主席。是首位入选AI’s 10 to Watch的亚洲学者。