勷勤数学•专家报告

题      目：Stochastic approximation of functions by neural networks in kernel-regression formations

报  告  人：孙兴平 教授  (邀请人：叶颀)

                                      美国密苏里州立大学

时      间： 1月21日  10：30-11:30

地     点：数科院西楼111报告厅

报告人简介:

       孙兴平，现任密苏里州立大学杰出教授，长期从事逼近论、统计机器学习与径向基函数等领域的研究。他于1990年获美国德克萨斯大学奥斯汀分校数学博士学位，此前在中国河南师范大学和西北大学分别获得学士与硕士学位。自1990年起任教于密苏里州立大学（前身为西南密苏里州立大学），2000年晋升为正教授，2020年获聘杰出教授，并曾多次担任访问教授，包括在德克萨斯A&M大学、范德堡大学、英国莱斯特大学等机构。他在《Mathematics of Computation》《SIAM Journal on Numerical Analysis》《Journal of Approximation Theory》等权威期刊发表大量论文，主持多项美国国家科学基金会（NSF）及国际合作研究项目，并积极参与学术服务，担任多个期刊编委及会议组织者。此外，他曾任密苏里州立大学自然科学与应用科学学院副院长（2012–2015），并多次获得教学与科研奖项。

摘      要：

         Universal approximation theorems in the feld of machine learning state that neural networks with some common mathematical structures are employable for the purpose of approximating continuous functions. However, most of these theorems are non-constructive in nature, and therefore have left ample rooms for improvement. In this talk, we propose and study a constructive method for stochastic approximation of functions by neural networks, which features kernel-regression formations.

        欢迎老师、同学们参加、交流！