新闻

新闻

您当前的位置: 新闻
“统计大讲堂”系列讲座第六十讲
时间:2018-12-07

  11月26日,我院举办的“统计大讲堂”系列学术报告会第60讲在明德主楼1016举行。本次报告邀请了中国科学院的王闯博士分享他的研究成果,我院孙怡帆副教授主持了本次学术报告会,我院部分本、硕、博学生参加了本次学术报告活动。

  王闯博士2015年获中科院理论物理研究所博士学位,后进入美国哈佛大学继续应用科学相关领域的研究,研究领域主要涉及高维信号处理,机器学习与优化等。王闯博士在2014年还获得了IEEE GlobalSip Conference的最佳学生论文奖。

  王闯博士此次报告的主题为“Understanding stochastic gradient methods for high-dimensional inference: Dynamics, Guarantees, and Optimality”。本次报告从现实中处理信号的需求切入,通过介绍信号规模大,噪声复杂等现实处理过程中遇到的困难和挑战,进一步解释了随机梯度算法的运用以及求解过程中对稀疏问题的具体处理方法,并探讨了与统计相关的理论研究对当前相关领域算法推进过程的重要意义。

  报告首先从我们熟悉的医疗领域的核磁共振技术切入,指明了信号工程对高维情况下如何提高求解效率有着很大需求。在具体的图像识别场景中,研究者希望利用改进的PCA算法更快速准确地区分前景和背景,根据现实图像往往存在缺失,多噪声等情况,王闯博士着重介绍了sparse PCA算法的原理和运用,在算法的收敛性质分析中,可以利用随机过程中马尔可夫链以及统计中经验测度的相关思想,通过求解随机偏微分方程来刻画整个收敛过程最终得出了在不同信噪比下该算法的表现,为实际应用提供了理论指导。

  报告的第二部分,王博士基于当前深度学习领域热门的生成对抗模型,给出了在假设分布下模型的理论推导和相关优化研究。目前对于GAN的优化研究大多从实验角度出发,王博士则从理论的角度,给出了通过马尔可夫迭代的思想求解GAN模型的相关证明,并展示了不同学习率下GAN的表现差异,从原理层面对GAN的性质进行了讲解分析。

  最后,王博士也展望了目前与统计相结合的理论研究在深度学习算法方面的巨大发展前景,与在座师生进行了热烈讨论。