GIỚI THIỆU

Nhằm tăng cường trao đổi và hợp tác về nghiên cứu khoa học theo hướng hàn lâm và ứng dụng giữa các trường Đại học có giảng dạy các chuyên ngành về Toán và thống kê; cũng như hướng đến mục tiêu giới thiệu các công cụ Toán – Thống kê hiện đại trong giảng dạy và nghiên cứu, Trường Đại học Kinh tế TP.HCM (khoa Toán – Thống kê); Trường Đại học Kinh tế Quốc dân (khoa Toán kinh tế, khoa Thống kê); trường Đại học Kinh tế - Đại học Đà Nẵng (khoa Thống kê Tin học); trường Đại học Quy Nhơn (khoa Toán – Thống kê) đồng tổ chức hội thảo khoa học quốc gia “Công cụ Toán – Thống kê hiện đại: Lý thuyết và ứng dụng” lần 4 năm 2022.

CÁC ĐƠN VỊ ĐỒNG TỔ CHỨC

Khoa Toán - Thống kê

Trường Công nghệ và Thiết kế, Đại học UEH

Khoa Toán kinh tế

Khoa Thống kê

Trường Đại học Kinh tế Quốc dân

Khoa Thống kê Tin học

Trường Đại học Kinh tế, Đại học Đà Nẵng

Khoa Toán - Thống kê
Đại học Quy Nhơn

Link đăng ký tham dự hội thảo

https://docs.google.com/forms/d/1TcBtx69l2qAcTXD-yXNLIp9Z8sVUQCUxK0O5J-lGz5A

Hoặc quét QR code để đăng ký tham dự hội thảo

Báo cáo mời phiên toàn thể

Chủ đề : Identifiability and parameter learning rates for regression with heterogeneous responses

GS. Nguyễn Xuân Long

Professor of Statistics; Professor of Electrical Engineering and Computer Science (by courtesy)
Department of Statistics, University of Michigan

Abstract

Mixtures of regressions are a powerful model for learning the heterogeneity in data distributions with explanatory and response variables. Learning parameters in this class of model can provide useful information about subpopulations in the data and the relationship between variables in each subpopulation. In this talk, I will discuss notions of strong identifiability which play a fundamental role in the analysis of convergence and posterior contraction behavior for parameter estimation in mixtures of regression models under both exact-fitted and over-fitted settings. This theory is applicable to numerous common choices of link functions and families of distributions. Also interesting are the situations where strong identifiability conditions are not satisfied, i.e., when the true model is Fisher singular, and when the true model is in the vicinity of such singularities. In the second part of the talk I will expand on advanced techniques drawing from nonparametric Bayesian statistics for modeling conditional densities for regression with heterogeneity, and discuss open questions arising from such modeling approaches. Part of this talk is joint work with Dat Do (University of Michigan) and Linh Do (Tulane University).