2020年7月27日下午15:00，应我院学术团队邀请，中国人民大学高领人工智能研究院刘勇副研究员在学院二楼会议室6205做了题为“核K-means及其统计误差分析”的报告。我院学术团队骨干教师，部分研究生参加了报告会。

 报告结束后，刘勇副研究员还与我院师生进行了深入的交流与探讨，对部分教师和研究生所提出的一些问题进行了探讨，特别是站在审稿人的角度对研究生撰写的论文的格式，论文的理论分析和实验分析进行了一些深入交流，双方积极的互动，使得我院师生对理论和算法关系有了更深的认识，同时提高了老师和研究生加强理论学习的动力！

 报告摘要：核K-means是当前最流行的无监督学习算法之一，在工业和学术界得到广泛应用和关注。但核K-means统计误差分析还缺乏深入研究，特别在泛化误差分析研究领域还处于初级阶段。报告首先从理论研究在计算机研究中的重要性出发，提出基于统计学习理论来分析常见的无监督学习算法，如聚类算的性能是很有必要。随后基于改进的聚类Rademacher复杂度分析，报告首次给出了核K-means最优泛化误差界。在此基于上，报告进一步研究了基于Nystrom的近似核K-means的统计性质，并证明在满足一定限制条件下，基于Nystrom的近似核K-means方法能保证其最优统计性能。最后，报告给出了所提出的理论结果的应用展望，即可以分析其他的聚类方法如谱聚类，其他无监督学习方法，如矩阵分解算法的理论性能。

 报告人简介：刘勇，中国人民大学，副研究员，博导。长期从事大规模机器学习、模型选择研究，共发表论文30余篇，其中以第一作者/通讯作者发表顶级期刊和会议论文20余篇，涵盖机器学习领域顶级期刊TPAMI、TNNLS、TIP和会议NeurIPS、ICML、IJCAI、AAAI、ECML。获中国科学院“青年创新促进会”成员、中国科学院信息工程研究所“引进优青”人才称号。主持国家自然科学基金青年，中科院基础前沿科学研究计划和腾讯犀牛鸟基金等项目。