学术讲座

高瓴人工智能学院学术前沿讲座总第26期 2022年第七期

报告题目：Random Matrix Methods for Machine Learning

讲座时间：2022年3月31日11:00-12:00

腾讯会议：928-827-523

报告摘要：The advent of the Big Data era has triggered a renewed interest for large dimensional machine learning and (deep) neural networks. These methods, being developed from small dimensional intuitions, often behave dramatically different from their original designs and tend to be inefficient when dealing with large dimensional datasets. By assuming both dimension and size of the datasets to be simultaneously large, recent advances in random matrix theory (RMT) provide novel insights and precise performance predictions, allowing for a renewed understanding and the possibility to control and improve machine learning approaches, thereby opening the door to completely new paradigms.

In this talk, we will start with the example of covariance estimation and the “curse of dimensionality ”phenomenon in high dimensions, and highlight many counterintuitive phenomena that arise when large dimensional data are considered. By considering the data dimension and/or the machine learning systems to be large, we discuss how RMT is able to provide a renewed understanding and to make precise predictions on many practical problems.

主讲嘉宾：廖振宇，2014年获得华中科技大学光电信息工程学士学位，分别在2016和2019年于法国巴黎萨克雷大学获得信号与图像处理硕士和计算机博士学位。博士毕业后，在美国加州大学伯克利分校从事博士后研究工作，于2021年起至今在华中科技大学电信学院，担任副研究员（副高级职称）。长期从事“面向高维数据的大规模机器学习的基础理论和关键技术”的研究，开创性地将高维统计学和随机矩阵理论应用于复杂大规模机器学习系统设计，以解决其统计鲁棒性和可解释性的难题，在非监督学习、神经网络优化设计、神经网络压缩和加速等方向取得了一系列具有国际影响力的研究成果，在人工智能、机器学习顶级会议与期刊ICML、NeurIPS、ICLR、COLT、AISTATS等发表论文二十余篇，累计引用370余次，于Cambridge University Press出版专著一部，长期受邀担任人工智能、机器学习领域AISTATS、AAAI、ICLR、ICML、NeurIPS、IEEE TPAMI、JMLR、PR等顶级会议和期刊的审稿人或程序委员会委员，受邀担任欧盟自然科学基金ERC和加拿大自然科学基金NSERC外部评审。获得2021年湖北省武汉英才，2021年华中科技大学东湖青年学者，2021中国计算机学会CCF-海康威视斑头雁基金，2019年法国巴黎萨克雷大学ED STIC优秀博士论文以及2016年法国巴黎萨克雷大学Supelec基金会博士奖学金。