报告简介: 在本次讲座中，我们将介绍一种新的用于特征选择的几何学架构。该架构可用于解决“从高维数据中选择有价值的特征”的问题。解决这类问题的关键，是需要在数据的分布空间进行分析，而我们的架构可以提供对问题的深刻认知。通过这种方式，我们探讨了几个不同的特征选择方式：基于对未知统计模型的一般性推断，基于广义的Renyi最大相关，或者基于将通用信息分解为“正交模式”。我们展示了这些不同方式的解决方案具有同样的架构，该架构基于奇异值分解并能提供几何学上的深刻认知。把不同的方式联系起来，有助于对特征选择及推断中用到的信息度量标准建立新的实际意义，也有助于定义新的具有实际意义的信息度量标准。我们展示了一个基于这种方法的算法，该算法可以灵活的应对任何数据类型，特别是具有不同类型、时长和质量的多模数据。该算法提供了可证明的最优推断和最小化的抽样复杂度。我们也展示了基于该几何结构的理论架构可用于理解很多现有的特征选择算法，包括PCA，CCA，压缩感知和逻辑回归。

 

报告人简介：郑教授从2002年起在MIT电子工程系担任教授，并于2017年开始在清华-伯克利深圳学院担任访问教授。他研究兴趣包括信息论、统计推断、通信和网络理论。他在2002年从UC Berkeley获Eli Jury Award，在2003年获得IEEE Information Theory Society Paper Award，2004年获NSF CAREER Award，在2007年获the AFOSR Young Investigator Award。他是IEEE Transactions on Information Theory的副编辑，2012年IEEE International Symposium on Information Theory的主席，IEEE fellow。