报告题目：Adversarially Robust Learning: Identification, Estimation, and Uncertainty Quantification

报 告 人：郭子剑副教授

报告摘要：当目标分布与源人群不同时，经验风险最小化可能会导致预测性能不佳。本演讲将讨论如何利用来自多个来源的数据，并构建更具通用性和可传输性的预测模型。我们引入了一个对抗鲁棒的预测模型来优化关于一类目标分布的最坏情况奖励，并表明我们引入的模型是源人群条件结果模型的加权平均值。我们利用这种识别结果来健壮地使用任意机器学习算法，例如高维回归、随机森林和神经网络。在我们的对抗学习框架中，我们提出了一种新的抽样方法来量化对抗鲁棒预测模型的不确定性。此外，我们引入了引导式对抗鲁棒迁移学习（GART），它使用少量的目标域数据来指导对抗性学习。结果表明，GART比拟合目标数据的模型实现了更快的收敛率。我们全面的仿真研究表明，GART可以大大优于现有的迁移学习方法，获得更高的鲁棒性和准确性。

 报告人简介：郭子剑博士于2017年在宾夕法尼亚大学获统计学博士学位，现任罗格斯大学统计学副教授，研究方向为因果推断、高维统计、迁移学习和统计机器学习理论。

报告时间：2024年6月23日9：30—11：00

报告地点：哲理楼139

联系人：王歆旸