報告題目：An Introduction to Optimal Transport Methods and Applications
報告人：Dr. Yunpeng Li，英國薩里大學計算機科學系人工智能高級講師
主持人：張茹，教授
報告時間：2023年3月3號（周五）16:00-17:30
騰訊會議：964-889-004
報告摘要：
Wasserstein distance雖然在理論上很有吸引力，但由于其高昂的計算成本，在大規模機器學習問題上的應用受到了阻礙。Sliced Wasserstein distance及其變體通過隨機投射提高了計算效率，但由于大多數投射得到的值都很小，因此投射效率低。報告的第一部分將介紹一個新的sliced Wasserstein distance度量，即首先將樣本映射到由神經網絡參數化的高維超曲面的augmented sliced Wasserstein distances (ASWDs)。報告的第二部分將討論最優傳輸方法在強化學習和金融中的應用。
專家簡介：
李云鵬博士是英國薩里大學（University of Surrey）計算機科學系人工智能高級講師。他的研究方向是統計機器學習和信號處理，特別是貝葉斯推理（Bayesian inference）、蒙特卡羅抽樣（Monte Carlo sampling）和最優傳輸理論（optimal transport theory）。他對機器學習的跨學科應用有著廣泛的興趣，包括疾病檢測(乳腺癌，牙科疾病)，環境傳感和目標跟蹤。他2009年畢業于北京郵電大學，獲得英語學士學位，2012年獲得通信與信息工程碩士學位（導師：門愛東教授），2017年獲得加拿大麥吉爾大學（McGill University）電氣工程博士學位（導師: Mark Coates教授），2017年至2018年在牛津大學工程科學系擔任博士后研究員，并于2018年在牛津大學沃爾夫森學院擔任初級研究員。他于2018年加入薩里大學計算機系擔任人工智能講師（2018-2021）和高級講師（2021-今）。
