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

报告时间：2020年5月23日（周六）上午10:50—11:35

报告人：叶颀教授

报告地点：Zoom云会议（ID：937 6354 7091, 密码：nanxinda60）

报告摘要：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.

欢迎广大师生踊跃参加！

数学与统计学院

2020年5月22日

附：专家简介

叶颀，现任华南师范大学教授, 博士生导师, 华南师范大学机器学习与最优化计算实验室主任。博士毕业于美国伊利诺理工大学，师从著名核函数逼近方法专家Gregory E. Fasshauer教授，博士毕业后到美国雪城大学与计算数学专家许跃生教授展开博士后研究工作，之后又到香港与径向基函数专家韩耀宗教授和凌立云教授展开合作研究。近年主要从事逼近论及其在机器学习与数据分析中的应用研究。并开展核函数逼近方法新概念的研究——再生核巴拿赫空间和核函数概率测度。2016年入选第十二批国家“海外高层次人才引进计划”青年人才项目，并且主持国家自然科学基金的青年基金项目、广东省教育厅广东高校重大科研项目的特色创新项目和广东省自然科学基金的面上项目等。叶教授还和许教授共同提出了国际原创性研究领域——稀疏机器学习方法，发表在美国数学学会主办的期刊《Memoirs of the American Mathematical Society》, 是该期刊发表的首篇关于机器学习的论文，也是国内计算数学工作者首次在该期刊发表的长文。