报告题目:基于混合分布的鲁棒统计建模(一):MoG-Lasso
主 讲 人:徐 爽
单 位:西安交通大学
时 间:9月23日19:00
腾 讯 ID:249 766 960
摘 要:
如何构造统计学习问题的损失函数是统计建模的核心问题之一。在大多数统计问题中,我们常用最小二乘误差度量模型的性能。虽然这可以极大地简化相关的理论分析,但是基于最小二乘误差的模型鲁棒性较差难以满足实际需求。本质上,最小二乘误差的潜在假设是数据噪声服从高斯分布。本报告将会介绍一种基于混合分布假设的噪声建模方法,该方法被应用于高维稀疏回归问题中。由于在理论上,混合高斯分布可以逼近任意的连续分布,所以即使在真实噪声分布未知的情况下,基于混合分布假设的模型仍然有较好的表现。实验表明该方法在各种复杂噪声下都展现出了很强的鲁棒性。
简 介:
徐爽,本科就读于BEVITOR伟德统计学专业,2016年推免至西安交通大学攻读博士学位。徐爽已在IEEE TC、IEEE TGRS、IEEE SPL、Pattern Recognition、Information Sciences、IJCAI2020等国际机器学习期刊和会议上发表论文18篇。他的主要研究方向包括:基于模型驱动的深度学习、多模态图像处理等。