报告简介  Abstract

在机器学习中，经常出现两类特殊的异常样本：对抗样本和离群样本，这两类样本的存在，不仅会导致深度学习模型的性能大幅下降，还会存在很大的安全隐患。如何检测和识别这类在机器学习中出现的异常样本是人们极其感兴趣的问题。本演讲从该问题出发，介绍稳健统计思想和方法，包括稳健性、污染分布、崩溃点，影响函数等概念，并同时介绍MCD、T-型等实用稳健估计方法。进一步把这些稳健统计方法用到对抗学习等实例中去，结果表明稳健统计方法对提高机器学习及其数据处理的稳定性和有效性起着极其重要的作用。

嘉宾简介  About the Speaker

崔恒建，现为首都师范大学教授，博士生导师，曾任国务院学位委员会学科评议组专家。1993年毕业于中国科学院系统科学研究所并获博士学位。在数理统计和稳健统计理论和方法、金融统计、遥感统计与质量管理等领域取得过许多重要的研究成果，发表论文180余篇，其中包括发表在国际顶级的统计和计量经济学杂志JASA、AoS、JRSS(B)、Biometrika和JoE上。多次赴美国、加拿大、意大利、新加坡、澳大利亚和香港等著名大学进行学术合作研究。主持了国家自然科学基金杰青（B）项目和多项国家自然科学基金面上项目以及青年基金项目；主要参加了国家自然科学基金重点项目、主任基金项目，教育部重大科研基金项目，科技部863等项目。现担任《数学学报》和《应用数学学报》中、英文版以及《Statistical Theory and Related Fields》编委，中国现场统计学会副理事长，北京应用统计学会会长，国际数理统计学会（中国分会）常务理事。曾获得教育部高等学校科学技术奖-自然科学奖二等奖；全国统计科学研究优秀成果奖一等奖；京津地区五四青年概率统计“盖洛普”奖；第六届中国科协期刊优秀学术论文奖；全国应用统计专业硕士案例大赛一等奖等。

海报 Poster