Oscar Hernán Madrid Padilla

University of Califonia, Los Angeles

Fecha: 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 nació y creció en una zona rural de Honduras. Actualmente trabaja en la Universidad de California, Los Angeles. Hizo su licenciatura en la Universidad de Guanajuato, México, y su doctorado en la Universidad de Texas en Austin. Antes de llegar a Los Angeles, tuvo una posición postdoctoral en la Universidad de California, Berkeley.

Oscar Hernán trabaja en estadística, en particular en análisis secuencial, problemas de estimación de redes, modelos gráficos, estadísitica no-paramétrica y estadística Bayesiana. En su adolescencia participó en las Olimpiadas de Matemáticas, obteniendo una mención honorífica en la Olimpiada Internacional de Matemáticas de 2008. Es autor de más de 20 artículos de investigación y actualmente su investigación cuenta con el apoyo de la National Science Foundation.

Fuera de las matemáticas, Oscar Hernán corre largas distancias a altas horas de la noche. También le gusta ver, jugar e informarse de futbol.