报告人：熊世峰（中国科学院数学与系统科学研究院）
报告时间：2023年11月8日13:00---14:00
主持人：徐文哲
所在：理学院楼222
报告摘要：
函数预计是统计学和机械学习中的焦点基础问题，如支持向量机的主要提出者Vapnik在其经典著作《统计学习理论的实质》中界说“机械学习就是一个基于履历数据的函数预计问题” 。插值是用于无误差函数重构的要领 。我们提出“重构参数化”要领，将插值用于有误差的函数预计问题，包括回归、分类、密度预计等 。由于插值器收敛到真实函数的速率远快于最优统计收敛速率，重构参数化使用合理的插值器来参数化未知函数（插值器与函数之间的误差相关于统计误差可忽略），待估参数即在选定节点处的函数值，有明确的现实寄义 。无邪的节点选取使得要领适用于大数据 。重构参数化是一样平常性的通用要领，在一定水平上战胜了现有参数化要领（如深度神经网络等）参数可诠释性差、盘算本钱大等缺乏，并包括一系列盛行要领（如核岭回归、核支持向量机等）作为特例 。我们也将先容重构参数化要领最近在半参数回归模子、非线性降维等方面的应用 。
报告人先容：
熊世峰，中国科学院数学与系统科学研究院研究员，博士生导师，实验设计与不确定性量化研究中心主任 。研究偏向包括盘算机实验与不确定性量化、高维数据剖析、统计推断、机械学习等 。统计应用方面的研究主要是数字孪生、交通大数据剖析、质量与可靠性等 。
