11月15日下午,密苏里州立大学孙兴平教授应邀来我校开展以“Stochastic approximation of functions by neural networks in kernel-regression formations”为主题的学术讲座。本次讲座在综合楼644会议室举行,由统计与数据科学学院高钦姣副教授主持。

孙兴平,现任密苏里州立大学杰出教授,长期从事统计机器学习与径向基函数等领域的研究。在德克萨斯A&M大学、范德堡大学、英国莱斯特大学,复旦大学等机构多次受邀访问。他在Mathematics of Computation、SIAM Journal on Numerical Analysis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。

孙兴平教授围绕神经网络的函数随机逼近问题展开报告,重点阐述了如何利用核回归结构构造具体的函数逼近模型。报告首先从核插值入手,讲解了利用核函数和离散样本数据逼近目标函数的基本原理。结合Schaback提出的核插值不确定性关系,孙教授指出,逼近精度与数值稳定性之间存在制约,追求更高精度可能导致计算稳定性下降。
此外,传统核插值要求精确匹配所有样本值,难以灵活应对实际数据中的噪声。对此,孙教授转向拟插值方法,不再要求逼近函数严格通过所有样本点。在此基础上,他进一步引入核回归结构,通过核函数确定样本权重,并采用归一化加权的方式构造逼近函数。随后,孙教授将这一思路拓展至神经网络模型,研究其在随机采样条件下的函数逼近性质,为神经网络的函数逼近提供了具体的构造方法。

讲座尾声,孙兴平教授与在场师生围绕神经网络的函数随机逼近等问题展开了深入讨论。高钦姣副教授对本次讲座作总结发言,对孙兴平教授带来的精彩前沿学术报告表示诚挚感谢,并感谢在场师生的积极参与和热烈互动。
文稿丨赵文秀
