报告人：柳松 副教授 布里斯托大学
报告时间：2024年11月18日（周一）上午10:00
报告地点：东南大学九龙湖校区计算机楼 513 室
报告摘要：微分参数指的是一个随时间变化的分布中参数相对于时间的导数。时间导数反映了统计模型随时间变化的趋势。例如，流行病学中的 SIR 模型就是以微分方程形式定义感染人数的变化。针对微分参数的估计，通常方法是先估计参数，然后对其求导，但这种两步操作增加了估计的复杂度。本文提出了一种直接对微分参数进行估计的方法，绕开了对指数族参数估计的复杂性。本方法的关键在于，对于指数族模型，时间的 score 函数是微分参数的线性模型，因此我们可以利用时间 Score Matching 来直接推理高维指数族的微分模型。本文证明了在高维有限样本情况下，微分参数估计的收敛性，并提出了一个渐近正态的无偏估计。在对高维图模型的实验中，我们展示了此方法在仿真和真实数据上都能取得有效结果。
报告人简介：柳松是布里斯托大学数学系的副教授，主要研究方向为统计机器学习，专注于基于统计距离的推理问题。他近年的工作包括：有界、不可归一化概率模型的估计（JMLR 2022）；利用扩散模型进行基于仿真的推理（ICML 2024）；利用沃瑟斯坦梯度流解释对抗生成模型（ICML 2023）；以及基于 ROC 曲线的统计距离（NeurIPS 2022）。他在东京工业大学获得博士学位（导师为杉山将教授），之后在统计数理研究所工作（导师为福水健次教授），自 2017 年起在英国布里斯托大学任教至今。
