报告题目：Machine Learning in Banach Spaces:A Black-box or White-box Method?
报 告 人：叶颀 教授（华南师范大学）
报告时间：2023年3月23日（星期四）10:00-11:00
报告地点：数学科学学院205
报告摘要：In this talk, we study the whole theory of regularized learning for generalized data in Banach spaces including representer theorems, approximation theorems, and convergence theorems. Specially, we combine the data-driven and model-driven methods to study the new algorithms and theorems of the regularized learning. Usually the data-driven and model-driven methods are used to analyze the black-box and white-box models, respectively. With the same thought of the Tai Chi diagram, we use the discrete local information of the black-box and white-box models to construct the global approximate solutions by the regularized learning. Our original ideas are inspired by the eastern philosophy such as the golden mean. The work of the regularized learning for generalized data provides another road to study the algorithms of machine learning including？the interpretability in approximation theory,？the nonconvexity and nonsmoothness in optimization theory,？the generalization and overfitting in regularization theory.Moreover, based on the theory of the regularized learning, we will construct the composite algorithms combining support vector machines, artificial neural networks, and decision trees for our current research projects of the big data analytics in education and medicine.

专家简介：叶颀,华南师范大学数学科学学院教授、博士生导师，主要研究方向为逼近论及其在机器学习与数据分析中的应用。他在美国伊利诺理工大学攻读博士学位期间师从核函数逼近方法专家 Gregory E. Fasshauer教授，博士毕业后前往美国雪城大学与计算数学专家许跃生教授开展博士后研究工作，随后又赴香港与径向基函数专家韩耀宗教授和凌立云教授开展合作研究。他入选国家海外高层次人才引进计划青年项目，担任国家自然科学基金数学天元基金“数学与医疗健康交叉重点专项”项目负责人，主持广东高校重大科研项目和重点领域专项等。他和许教授共同提出了国际原创性研究课题——稀疏机器学习方法，相关的122页论文发表在了国际顶级数学期刊《Memoirs of the American Mathematical Society》（该期刊每期只刊登一篇文章），并是该期刊发表的首篇关于机器学习的论文，也是国内计算数学工作者首次在该期刊发表的长文。他学成归国后采用“抽象理论、具体算法、落地应用”三位一体的研究新模式，联合国内外专家学者在依托单位成立“机器学习与最优化计算实验室”，聚焦机器学习方法和大数据分析的原创性数学理论，研究逼近论、最优化理论、医学图像处理、癌症演化建模等前沿课题，积极推动人工智能算法的基础理论研究及其在医疗和教育大数据中的落地应用，研发具有自主知识产权的医疗和教育辅助软件，促进粤港澳大湾区精准医疗和智能教育的发展。