题目：To be announced

摘要：To be announced

简介：To be announced

题目：Recent Advances in Kernel Regression and Its Application in Deep Neural Networks

摘要：We will provide a brief summary of some results appeared in kernel regression/deep neural network and propose some potential directions.

简介：林乾，清华大学统计学研究中心副教授, 2010年在麻省理工数学系获得博士学位。2017年8月至今在清华大学任教。主要研究方向为高维充分性降维，机器学习中的核方法，深度学习的数学理论等。

题目：谱域图神经网络理论基础

摘要：近年来，由于图结构数据的强大表达能力，用机器学习方法分析和挖掘图数据的研究越来越受到重视。图神经网络（Graph Neural Networks）是一类基于深度学习的处理图数据的方法，在众多领域展现出了卓越的性能，其已经成为一种广泛应用的图分析方法。谱域图神经网络是图神经网络研究中一类重要的方法，它们在拉普拉斯谱域中设计和学习不同的图卷积，具有良好的理论保证和可解释性。本报告拟先介绍图神经网络的任务和一些前沿应用，然后从图傅里叶变换、图卷积的设计和图谱滤波器的多项式近似等方面探讨谱域图神经网络的理论基础，最后将讨论我们在谱域图神经网络所做的一些工作和对未来工作的展望。

简介：魏哲巍，中国人民大学高瓴人工智能学院教授，博导，入选国家高层次青年人才。2008年本科毕业于北京大学数学科学学院，2012年博士毕业于香港科技大学计算机系；2012年至2014年于奥胡斯大学海量数据算法研究中心担任博士后研究员，2014年9月加入中国人民大学担任副教授，2019年8月起任教授。数据库、理论计算机、数据挖掘、机器学习等领域的顶级会议及期刊上（如SIGMOD、VLDB、ICML、NeurIPS、KDD、SODA等）发表论文60余篇，并获得数据库理论顶级会议PODS2022时间检验奖。主持自然科学基金重点项目、科技部2030重点专项课题。担任PODS、ICDT等大数据理论会议论文集主席以及ICML、NeurIPS、WWW领域主席；担任鹏城实验室广州基地青年科学家。培养博士生获2021年百度奖学金（全球10人）、2022年微软学者（亚太地区12人）。

题目：Time-varying Correlation Network Analysis of Non-stationary Multivariate Time Series with Complex Trends

摘要：This paper proposes a flexible framework for inferring large-scale time-varying and time-lagged correlation networks from multivariate or high-dimensional non-stationary time series with piecewise smooth trends. Built on a novel and unified multiple-testing procedure of time-lagged cross-correlation functions with a fixed or diverging number of lags, our method can accurately disclose flexible time-varying network structures associated with complex functional structures at all time points. We broaden the applicability of our method to the structure breaks by developing difference-based nonparametric estimators of cross-correlations, achieve accurate family-wise error control via a bootstrap-assisted procedure adaptive to the complex temporal dynamics, and enhance the probability of recovering the time-varying network structures using a new uniform variance reduction technique. We prove the asymptotic validity of the proposed method and demonstrate its effectiveness in finite samples through simulation studies and empirical applications.

简介：吴未迟，清华大学统计学研究中心副教授，2015年获得多伦多大学统计学博士学位。2018年12月至今在清华大学统计学研究中心任教。主要研究方向为非参数估计，时间序列，统计网络与变点问题。