报 告 人：宣俊宇 副教授，悉尼科技大学
报告时间：10月29日（周五）13:00～15:00
报告地点：腾讯会议（645 433 987）
邀 请 人：余航 讲师
报告摘要：
由于贝叶斯（机器）学习具有建模不确定性、编码先验知识和可解释性的特殊能力，因此长期以来一直在机器学习中扮演重要角色。在贝叶斯学习取得巨大成功的基础上，贝叶斯非参数学习（BNL）由于其更大的建模灵活性和表示能力而成为推动该领域进一步发展的力量。与基于（固定维数的）概率分布的贝叶斯学习不同，BNL是基于（无限维的）随机过程的新“游戏”。 BNL长期以来一直被认为是统计学领域的研究主题，但是迄今为止，许多研究表明BNL具有解决现实世界机器学习任务的巨大能力。本次报告将分享我对该领域的理解，贡献和展望。
报告人简介:
宣俊宇，博士，澳洲发现基金委优秀青年基金（ARC Discovery Early Career Researcher Award，DECRA) 获得者，现为悉尼科技大学澳洲人工智能研究中心副教授。2016年获得博士学位，其后在悉尼科技大学从事博士后研究，研究方向包括机器学习、贝叶斯非参、文本挖掘等。共发表近50篇国际期刊和会议论文，包括Artificial Intelligence Journal, Machine Learning Journal, IEEE TNNLS, IEEE TFS, IEEE TKDE, IEEE TCYB, ACM TOIS, ACM TIST, ACM Computing Surveys, ICDM, NeurIPS, AAAI, IJCNN, 等等。从事国际会议NIPS, ICLR, IJCAI, AAAI, IJCNN, ICML等的PC。
