报 告 人：吴强
报告时间：2023年8月18日（星期五）10:00
报告地点：7JC214
报告简介：
Machine learning is a central component of data science. In this talk, I will present the mathematical foundations of the divide and conquer approach for distributed machine learning. We proved the minimax optimality of several distributed kernel regression approaches. Based on these studies, we designed a bias correction strategy to improve the performance of distributed kernel regression and a recentering regularization approach to make distributed learning applicable in the classification setting.
报告人简介：
吴强，美国中田纳西州立大学数学系,教授。2005年毕业于香港城市大学数学系，获博士学位；2008年美国杜克大学博士后出站。先后任职于美国密歇根大学数学系、英国利物浦大学、美国中田纳西州立大学等多所高校。研究领域：统计模型与计算、机器学习、高维数据挖掘及应用，计算调和分析。
学术成就：在Journal of Machine Learning Research, Applied and Computational Harmonic Analysis等国际权威期刊发表论文40余篇，出版专著“Classication and Regularization in Learning Theory”。特别在学习理论中的分类学习、正则化回归学习等研究方向作出了具有标志性的研究成果，受到国内外学者的广泛关注。
