报告人简介：

陈泽汛，英国爱丁堡大学商学院助理教授，研究方向包括非参贝叶斯统计，概率化统计学习方法，时间序列分析等。陈博士2013年本科毕业于雷火竞技数学与应用数学专业，2017年博士毕业于英国莱斯特大学数学系曾在英国苏塞克斯大学作为博士后研究员参与英国EPSRC项目，提出高斯过程分类器的公平性改进。陈教授的论文发表在Nature Communications，Neural Computation and Application，Measurement等期刊。目前是英国皇家统计协会会员, 英国皇家统计协会会员青年统计学家分会组委会秘书，英国数学与应用数学协会会员，国际统计协会会员，并担任各类数学统计，机器学习，工程机械，人口流动，交通运输方面期刊的审稿人。

摘要：

The talk explores Gaussian Process (GP) modeling in machine learning, focusing on inference methods and scalability challenges. Variational inference with inducing variables is discussed for handling multiple outputs and latent functions efficiently. Scalability to large datasets is achieved through augmented priors and parallel computation. Low-rank approximation via pivoted Cholesky decomposition expedites inference. Advanced topics like multivariate GP modeling and constrained GP models are briefly touched upon. This talk will also involve the topic of study aboard.

报告时间：2024年3月11日14：30-16：30

报告地点：北衡楼1420