报告内容: 在复杂时序大数据的建模和分析中，高斯过程混合（MGP）模型能够有效地解决多峰和非平稳数据建模问题，已成为机器学习研究和应用的热点。然而，由于高斯过程的样本数据之间不独立，使得高斯过程混合模型的EM算法无法直接实现，这给其参数学习带来的极大的困难与挑战。另外，针对给定的实际数据，如何挖掘数据的结构，确定数据的真实聚类个数，并进行预测和分析则是另一个相当困难的问题。本报告针对高斯过程混合模型的参数学习和模型选择进行了深入的分析和系统的研究，建立了有效的参数学习算法和模型选择准则，并提出了双层高斯过程混合模型及其自动模型选择算法，并将其应用于时间序列曲线的聚类分析和预测方面。

报告人简介：1983年于陕西师范大学数学系获学士学位，1988年于西安交通大学数学系硕士学位，1992年于南开大学数学系博士学位。北京大学数学科学学院信息科学系教授、博士生导师。

从上世纪九十年代初开始从事人工神经网络和统计学习算法方面的理论及其应用研究，涉及的领域包括神经计算、模式识别、机器学习、计算机视觉、智能信息处理等方面。曾先后赴香港中文大学计算机科学与工程学系、日本理化学研究所(RIKEN)脑科学研究所、美国康乃尔大学卫理公会医院生物信息中心进行合作研究和访问，担任研究员或科学家。目前已发表学术论文250余篇，被引用4000余次,多篇论文发表在《Neural Computation》《IEEE Trans.on System, Man and Cybernetics, Part B》《IEEE Trans. on Image Processing》《IEEE Trans.onNeural Networks and Learning Systems》《Neural Networks》《Pattern Recognition》等国际著名期刊和SIGIR、SIGKDD、CVPR、NeurIPS、ICML、AAAI、IJCAI等顶尖国际学术会议上。先后主持与承担国家自然科学基金项目8项、国家重大或重点研发计划课题3项。

担任国际信息科学学会中国分会教育信息化专委会主任委员，中国电子学会信号处理分会副主任委员，《Mathematical Computation》《The Scientific World Journal》《Journal of Industrial Mathematics》《信号处理》等杂志的主编或编委。并多次担任ISNN, ICIC, ICONIP, ICSP等重要国际学术会议的程序委员会议委员。