Seminar tháng 08-2022:

Bộ môn Xác suất - Thống kê kính mời quý thầy cô, nghiên cứu sinh, học viên cao học và các sinh viên có quan tâm đến tham dự Seminar Xác suất - Thống kê tháng 08/2022 với báo cáo sau: 

• Tên bài báo cáo: Phương pháp Suy luận Thống kê cho Phân tích ROC (Statistical Inference for ROC Analysis)
• Báo cáo viên: TS. Tô Đức Khánh (Department of Statistical Sciences, University of Padova, Italy)
• Thời gian: 9g00 thứ sáu 26/08/2022
• Địa điểm: Phòng F12, Bộ môn Xác suất - Thống kê, Đại học Khoa học Tự nhiên, 227 Nguyễn Văn Cừ, Q. 5, TP. HCM
• Tóm tắt: Phân tích ROC (Receiver Operating Characteristic) được sử dụng phổ biến trong bài toán đánh giá sự chính xác của các dấu ấn sinh học hoặc xét nghiệm chuẩn đoán trong y sinh; hay các quy tắc phân loại (classifier) trong các bài toán phân loại hay xếp hạng. Được phát triển trong những năm đầu của thế chiến thứ 1, với mục tiêu ban đầu là đánh giá tính chính xác của tính hiệu radar, phân tích ROC được dùng cơ bản để đánh giá các quy tắc phân loại trong các bài toán phân loại hai nhóm (two-class setting). Tuy nhiên, độ phức tạp của các bài toán phân loại đang ngày một tăng lên, khi mà số nhóm cần phân loại là ba hoặc bốn nhóm, thậm chí nhiều hơn bốn nhóm. Mặt khác, độ phức tạp trong cấu trúc của dữ liệu cũng tăng lên, trong đó, các quan sát có thể không độc lập với nhau, hoặc các quy tắc phân loại có thể bị ảnh hưởng bởi các hiệp biến. Để sử dụng phân tích ROC trong nhiều trường hợp phức tạp của dữ liệu, các phương pháp suy luận thống kê cần được cải thiện hoặc làm mới. Bài thuyết trình này nhằm cung cấp một cái nhìn khái quát về phương pháp ROC, các phương pháp thống kê đã được nghiên cứu và phát triển  cho phân tích ROC, cũng như thảo luận về các bài toán mở vẫn cần được giải quyết.

Seminar tháng 07-2022:

Bộ môn Xác suất - Thống kê kính mời quý thầy cô, nghiên cứu sinh, học viên cao học và các sinh viên có quan tâm đến tham dự Seminar Xác suất - Thống kê tháng 07/2022 với báo cáo sau: 

• Tên bài báo cáo: Adaptive variational Bayes: Optimality, computation and applications
• Báo cáo viên: PGS. TS Lizhen Lin (Department of Applied and Computational Mathematics and Statistics, The University of Notre Dame)
• Thời gian: 9g30 thứ năm 28/07/2022
• Địa điểm: Phòng F207, Đại học Khoa học Tự nhiên, 227 Nguyễn Văn Cừ, Q. 5, TP. HCM
• Tóm tắt: In this talk, we discuss adaptive  statistical inference based on variational Bayes. Although a number of studies have been conducted to analyze theoretical properties such as posterior contraction properties of variational posteriors, there is still a lack of general and computationally tractable variational Bayes methods that can achieve adaptivity and optimal contraction of the variational posterior. We propose a novel  and general variational Bayes framework, called adaptive variational Bayes, which can operate on a collection of models with varying dimensions and structures. The proposed framework combines variational posteriors over individual models with certain weights to obtain a variational posterior over the entire model. It turns out that this combined variational posterior minimizes the Kullback-Leibler divergence to the original posterior distribution. We show that the proposed variational posterior achieves optimal contraction rates adaptively under very general conditions and attains model selection consistency when the true model structure exists. We apply the general results obtained for the adaptive variational Bayes to a large class of statistical models  including deep learning models and derive some new and adaptive inference results. We consider applications of this adaptive variational bayes framework to various  numerical examples including examples on finite mixture modeling and deep neural network models.