题  目：Subsampling Techniques for Model Robustness in Big Data

主讲人：艾明要

时  间：5月16日早上8：30-10：30

地  点：贵和楼408

主讲人简介：

艾明要，北京大学数学科学学院二级教授，北京大学教材建设博雅特聘教授。全国应用统计专业学位研究生教育指导委员会委员、培养组组长，中国现场统计研究会第十一届副理事长，中国概率统计学会第十一届秘书长，中国统计学会常务理事。全国统计教材编审委员会专业委员，科学出版社《统计与数据科学丛书》编委，国际重要SCI期刊Stat Sinica、JSPI、SPL和Stat编委，国内核心期刊 《系统科学与数学》、《数理统计与管理》、《数学进展》编委。主要从事大数据采样理论与算法、试验设计与分析、应用统计的教学和研究工作，在AOS、JASA、Biometrika、《中国科学》等国内外重要期刊发表学术论文80余篇。主持国家自然科学基金重点项目1项、国际合作研究项目1项、重点项目子课题1项、面上项目5项，参与国家自然科学基金重大项目1项、科技部重点研发计划项目2项。两次获得北京大学优秀博士学位论文指导教师，获北京大学优秀教学成果一等奖、北京市高等学校优秀教学成果二等奖。

内容简介：

子采样是解决与海量数据集相关的计算挑战的有效方法。然而，现有的子采样方法没有考虑模型的不确定性。在本文中，我们研究了 Akaike 信息准则 (AIC) 的子采样技术，并将子采样方法扩展到广义线性模型背景下的平滑 AIC 模型平均框架。通过校正用于近似 KullbackLeibler 散度的最大化子样本目标函数的渐近偏差，我们推导了基于子样本的AIC 的形式。然后，我们为平滑 AIC 模型平均估计器提供子采样策略，并研究损失和所得估计器的相应渐近特性。开发了一种实用的算法，并通过在真实和模拟数据集上的数值实验来评估其性能。