科学研究

学术讲座

当前位置: 首页 >> 科学研究 >> 学术讲座 >> 正文

数学与统计学院2024年系列学术活动第三十六场

发布日期：2024-10-14 作者：点击：

（通讯员：关迪）2024年10月13日上午9：00，上海财经大学冯兴东教授莅临我院做学术报告。本次报告由数学与统计学院与科研处联合承办，在南湖校区教学科研楼104室进行，会议由学院副院长杨凯副教授主持，学院部分老师及研究生参加了本次学术报告会。

会议开始之际，由杨凯老师作为代表对刘教授的到来表示感谢，并对其研究内容做了简要的介绍。

报告人简介：冯兴东，博士毕业于美国伊利诺伊大学香槟分校，现任上海财经大学统计与管理学院院长、统计学教授、博士生导师。研究领域为数据降维、稳健方法、分位数回归以及在经济问题中的应用、大数据统计计算、强化学习等，在国际顶级统计学/计量经济学期刊JASA、AoS、JRSSB、Biometrika、JoE以及人工智能期刊/顶会JMLR、NeurIPS、ICML上发表论文多篇。2018年入选国际统计学会推选会员(Elected member)，2019年担任全国统计教材编审委员会第七届委员会专业委员（数据科学与大数据应用组），2020年担任第八届国务院学科评议组（统计学）成员，2022年担任全国应用统计专业硕士教指委委员，2023年担任全国工业统计学教学研究会副会长以及中国数学会概率统计分会常务理事，2022和2023年起分别兼任国际统计学权威期刊Annals of Applied Statistics和Statistica Sinica编委（Associate Editor）以及国内统计学权威期刊《统计研究》编委。

报告题目：Optimal Kernel Quantile Learning with Random Features

摘要：The random feature (RF) approach is a well-established and efficient tool for scalable kernel methods, but existing literature has primarily focused on kernel ridge regression with random features (KRR-RF), which has limitations in handling heterogeneous data with heavy-tailed noises. This paper presents a generalization study of kernel quantile regression with random features (KQR-RF), which accounts for the non-smoothness of the check loss in KQR-RF by introducing a refined error decomposition and establishing a novel connection between KQR-RF and KRR-RF. Our study establishes the capacity-dependent learning rates for KQR-RF under mild conditions on the number of RFs, which are minimax optimal up to some logarithmic factors. Importantly, our theoretical results, utilizing a data-dependent sampling strategy, can be extended to cover the agnostic setting where the target quantile function may not precisely align with the assumed kernel space. By slightly modifying our assumptions, the capacity-dependent error analysis can also be applied to cases with Lipschitz continuous losses, enabling broader applications in the machine learning community. To validate our theoretical findings, simulated experiments and a real data application are conducted.

在接下来的报告中，冯教授介绍了随机特征核分位数回归（KQR-RF）的推广研究，通过引入一种改进的误差分解，并在KQR-RF和KRR-RF之间建立了一种新的联系，解决了KQR-RF中校验损失的非平滑问题。我们的研究建立了轻度条件下KQR-RF的容量依赖学习率，该学习率在一些对数因子的范围内是最小最大最优的。