Oscar Hernán Madrid Padilla

(Em espanhol)

University of Califonia, Los Angeles

Data: 13 de Noviembre de 2020

Regresión cuantílica con redes neuronales artificiales ReLU

Regresión cuantílica es la tarea de estimar una respuesta percentil especificada, como la mediana, a partir de una colección de predictores. En esta platica hablaremos de la regresión cuantílica con redes neuronales artificiales de unidad lineal rectificada (ReLU) como la clase de modelos elegida. Presentaremos resultados de estimación minimax para clases generales de funciones. A diferencia trabajos existente, nuestros resultados teóricos solo requieren supuestos mínimos y se aplican a distribuciones de errores generales, incluidas distribuciones de colas pesadas. Simulaciones empíricas en un conjunto de funciones de respuesta sintética demuestran que los resultados teóricos se traducen en implementaciones prácticas de redes ReLU. Todo el código asociado a esta plática está disponible públicamente en https://github.com/tansey/quantile-regression

Sobre Oscar Hernán

Oscar Hernán nasceu e foi criado em uma área rural de Honduras. Ele atualmente trabalha na Universidade da Califórnia, Los Angeles. Ele recebeu seu BA da Universidade de Guanajuato, México, e seu Ph.D. da Universidade do Texas em Austin. Antes de vir para Los Angeles, ele fez pós-doutorado na University of California, Berkeley.

Oscar Hernán trabalha com estatística, em particular em análise sequencial, problemas de estimação de redes, modelos gráficos, estatística não paramétrica e estatística Bayesiana. Na adolescência participou das Olimpíadas de Matemática, obtendo menção honrosa nas Olimpíadas Internacionais de Matemática de 2008. É autor de mais de 20 artigos de pesquisa e atualmente sua pesquisa conta com o apoio da National Science Foundation.

Fora da matemática, Oscar Hernán corre longas distâncias tarde da noite. Ele também gosta de assistir, jogar e aprender sobre futebol.