報告人：柳松 副教授 布裡斯托大學
報告時間：2024年11月18日（周一）上午10:00
報告地點：bet356手机版唯一官网九龍湖校區計算機樓 513 室
報告摘要：微分參數指的是一個随時間變化的分布中參數相對于時間的導數。時間導數反映了統計模型随時間變化的趨勢。例如，流行病學中的 SIR 模型就是以微分方程形式定義感染人數的變化。針對微分參數的估計，通常方法是先估計參數，然後對其求導，但這種兩步操作增加了估計的複雜度。本文提出了一種直接對微分參數進行估計的方法，繞開了對指數族參數估計的複雜性。本方法的關鍵在于，對于指數族模型，時間的 score 函數是微分參數的線性模型，因此我們可以利用時間 Score Matching 來直接推理高維指數族的微分模型。本文證明了在高維有限樣本情況下，微分參數估計的收斂性，并提出了一個漸近正态的無偏估計。在對高維圖模型的實驗中，我們展示了此方法在仿真和真實數據上都能取得有效結果。
報告人簡介：柳松是布裡斯托大學數學系的副教授，主要研究方向為統計機器學習，專注于基于統計距離的推理問題。他近年的工作包括：有界、不可歸一化概率模型的估計（JMLR 2022）；利用擴散模型進行基于仿真的推理（ICML 2024）；利用沃瑟斯坦梯度流解釋對抗生成模型（ICML 2023）；以及基于 ROC 曲線的統計距離（NeurIPS 2022）。他在東京工業大學獲得博士學位（導師為杉山将教授），之後在統計數理研究所工作（導師為福水健次教授），自 2017 年起在英國布裡斯托大學任教至今。
