搜索
你想要找的

# 热门搜索 #

建党100周年70周年校庆卓越育人学术育人不言之教幸福之花

当前位置: 首页 / 网站菜单 / 学术研究 / 学术文化 / 正文

10月13日 林华珍:Centre-augmented L2-type regularization for subgroup learning(70周年校庆系列学术报告)
2021-10-13 19:00:00
讲座题目:Centre-augmented L2-type regularization for subgroup learning
主讲人:林华珍
开始时间:2021-10-13 19:00:00
讲座地址:腾讯会议,ID:713 652 103
主办单位:经济与管理学部
报告人简介

      林华珍,西南财经大学统计研究中心主任、教授,博士生导师,IMS-fellow,国家杰出青年科学基金获得者,享受国务院政府特殊津贴专家,教育部新世纪优秀人才。

      主要研究方向为非参数方法、转换模型、生存数据分析、函数型数据分析、潜变量分析、时空数据分析。研究成果发表在包括国际统计学四大顶级期刊AoS、JASA、JRSSB、Biometrika和计量经济学顶级期刊JOE及JBES上。先后多次主持国家基金项目,包括国家杰出青年基金及自科重点项目。林华珍教授是国际IMS-China、IBS-CHINA及ICSA-China委员,中国现场统计研究会数据科学与人工智能分会理事长,第九届全国工业统计学教学研究会副会长,中国现场统计研究会多个分会的副理事长。先后是国际统计学期刊《Biometrics》、《Scandinavian Journal of Statistics》、《Journal of Business & Economic Statistics》、《Canadian Journal of Statistics》、 《Statistics and Its Interface》、《Statistical Theory and Related Fields》的Associate Editor, 国内权威或核心学术期刊《数学学报》(英文)、《应用概率统计》、《系统科学与数学》、《数理统计与管理》编委会编委。


报告内容简介

      现有的亚组分析方法大致可以分为两类:有限混合模型(FMM)和具有L1型惩罚的正则化方法。在本文中,通过在损失函数中引入群中心和L2型惩罚,我们提出了一种新的中心增强正则化(CAR)方法。该方法可以被看作是正则化方法和FMM的统一。与现有方法相比,该方法具有更高的效率,更好的稳健性,也更方便计算。特别地,它的计算复杂度从传统的成对惩罚方法的O(n^2)降低到O(nK),其中n是样本大小,K是亚组的数量。我们建立了CAR的渐近正态性,证明了算法的收敛性。我们也将CAR应用于一个多中心临床试验数据集:丁丙诺啡治疗鸦片依赖。与现有方法相比,我们得到了更大的R^2,并确定了三个额外的重要变量。(与Ling Zhou, Ye He, Yingcun Xia合作。)