主讲人:  马淑敏博士

报告时间：2024年3月28日，星期四  下午14:30

报告地点：华南理工大学大学城校区B10南座202

报告摘要： 传统预测方法多基于训练集数据与测试集分布不变的假设，利用历史数据拟合时间序列模型作预测。然而，这些方法忽略了训练集数据与测试集数据之间的分布偏移，所作出的预测难以获得理想的预测效果。本研究将基于机器学习中的迁移学习理论，研究如何搭建可防范极端风险的预测模型。具体而言，本研究将构建数据相关性差异度量，在迁移学习模型中引入数据边缘分布差异与相关性差异作为正则项。通过动态优化相应正则项的权重，该方案可提升预测模型对数据分布差异的辨析度，提高神经网络预测模型的准确度、鲁棒性及可解释性。

主讲人简介：马淑敏博士于复旦大学数学系获得数学专业学士学位，随后于香港中文大学系统工程与工程管理学系获得运筹学博士学位。她曾以研究学者身份访问哥伦比亚大学商学院DRO系，之后在香港城市大学数据科学学院从事博士后研究。她的研究课题涵盖商业大数据分析、数据驱动的金融科技模型、鲁棒优化及机器学习算法在运筹管理领域的应用，相关论文发表在IEEE Transactions on Neural Networks and Learning Systems (TNNLS)、Transactions on Machine Learning Research (TMLR)、AISTATS、PRICAI、IJCNN、ICAIF等顶级期刊与会议上。马淑敏博士有着丰富的与业界合作的经历，包括在滴滴机器学习研究院参与研究设计共享出行的匹配算法、参与腾讯金融科技组智能投顾项目的模型设计及算法研发、以及与京东数科共同合作的极端情况下的信用风险分析。