【IPAM workshops】加州大学洛杉矶分校会议：Geometry and Learning from Data in 3D and Beyond，workshop Ⅲ：Geometry of Big Data

报告名称： Workshop III: Geometry of Big Data

报告简介： 在数据分析和机器学习GLWS3图像算法中，探索，理解和利用大数据的几何结构至关重要。 例如，一组图像补丁或3D表面通常停留在低维流形附近。 该歧管结构可用于有效地表征相似性和不相似性。 还希望设计在某些变换或组动作下不变的特征。 当将这些功能用作输入或将所需的属性合并到学习结构和算法中时，整个过程的准确性，效率和可解释性将大大提高。 在本研讨会中，我们旨在研究和研究将几何，建模和学习从理论和原理整合到实践和实施中的可能性和潜力，以便同时利用基于模型和基于学习的方法。

邀请嘉宾： Stanley Osher，加州大学洛杉矶分校 IPAM 数学与计算机科学教授，电气工程与化学和生物分子工程教授；

鲁剑锋，杜克大学数学系教授；

Rebecca Willett ，芝加哥大学教授

Hongkai Zhao，加州大学尔湾分校（UCI）数学系教授

报告大纲：

• DAGs with NO TEARS: 结构学习的优化
• 对称正定矩阵的黎曼几何数据分析
• 度量学习的摘要及其在图分类中的应用
• 半监督学习的正则化
• 高纬函数的求解
• 密度计算与核估计
• 对数凹面密度估计