内容简介:

在网络数据分析领域，机器学习方法已经取得了显著的成果，然而，仍面临着诸多挑战。首先，由于网络数据的规模通常极大，许多传统的机器学习算法难以应用。其次，网络数据常常呈现多源、动态、具有属性信息等复杂特性，这就要求我们的模型能够适应这些复杂特性。为了解决这些问题，迫切需要开发新的机器学习方法，以便更好地处理规模庞大和结构复杂的网络数据。在复杂网络数据分析中，社区发现是一个基本且受到广泛关注的问题。随机块模型及其变体已经成为描述社区结构最为流行的统计模型。然而，通过最大化似然函数来拟合这种模型通常是一项极具挑战性的任务，尤其是对于大规模网络而言。为了解决这个问题，我们开发了一种名为“解耦行和列”的策略，有效地解决了一些大规模复杂网络模型的计算和推断问题。广泛的数值分析展示了我们提出的策略在多样化的复杂网络中的实用性和优势。

报告人简介：

刘秉辉，东北师范大学，教授、博导，统计系主任；主要研究方向为统计机器学习和网络数据分析；在统计学、计算机&人工智能、计量经济学期刊发表论文三十余篇，部分成果发表在JASA、AOS、AOAS、AIJ、JMLR、JOE、JBES等权威期刊上；主持国家自然科学基金面上项目多项、中央高校基本科研业务费青年拔尖人才项目等；入选教育部青年长江学者、国家天元数学东北中心优秀青年学者、吉林省拔尖创新人才；担任中国现场统计研究会因果推断分会副理事长、中国现场统计研究会统计交叉科学研究分会副理事长等；与中国联通公司、长春市长公开电话办公室等单位合作，开发大数据产品、主持大数据培训若干。