美国波士顿大学Yannis Paschalidis教授应邀来我院进行学术交流

11月27日上午，美国波士顿大学（Boston University）教授Yannis Paschalidis应邀来我院进行学术交流，并连续做了三场高质量的学术报告，题为“Distributionally Robust Learning with Applications to Health Analytics”、“Learning from Data to Select Optimal Decisions and Policies”和“（Academic）Life after the PhD…”。报告会由我院袁烨教授主持，我院30余名教师学生参加了此次报告会。

Yannis Paschalidis教授是波士顿大学（BU）电气与计算机工程，系统工程和生物医学工程的教授，兼任数据科学研究员。他现任波士顿大学信息与系统工程中心（CISE）的主任，自1996年以来，他一直在波士顿大学任教。同时，他是IEEE的院士，也是IEEE Transactions on Network Systems Control的创始主编。

Yannis Paschalidis教授的第一场报告是关于分布式鲁棒学习方法及其在医学预测诊断领域的应用。在医学应用的驱动下,假设训练数据被污染（未知的）异常点, 这会影响模型的参数。Yannis教授提出的鲁棒学习方法能够防范这些异常,并学习与非外围数据相一致的模型参数。同时，Yannis教授对该方法的一般性，鲁棒性，解释多种“特殊”正则化学习方法的能力进行探讨，并建立严格的样本外性能保证。建立了严格的样本保证,并开发了非线性模型的扩展,在这种情况下,不同的预测模型用于不同的数据簇, 甚至单个数据点。除了预测之外,还可以利用该鲁棒预测模型做出决策,并提供具体的个性化处方和建议。Yannis Paschalidis教授提供了一些该方法的医学应用实例，包括预测慢性病患者的住院治疗，预测外科手术患者的住院时间，以及为糖尿病和高血压提供治疗建议。

第二场报告关于数据驱动选择最佳决策及其在制定医疗处方的应用。Yannis Paschalidis教授介绍了一个新的基于预测的模型，该模型使用非线性模型预测每个动作下的结果，采用由预测结果确定的策略。预测模型将一种分布鲁棒的学习方法与K-NN回归相结合，应用于提出对高血压患者和糖尿病患者的治疗建议的医学应用中。在第二种情况下，用马尔可夫决策过程并开发一种从数据（状态，动作，下一状态元组）中学习策略和转移概率的模型。提出两种最大似然估计的鲁棒算法来分别学习过渡概率模型。结果表明可以用相对较少的训练样本进行训练。Yannis Paschalidis教授讨论了该模型在制定治疗决策以优化疾病进展以及机器人技术中的应用。

第三场报告关于对科学研究生涯的建议。Yannis Paschalidis教授提到科研时间分配管理和同时处理多项工作的两大困难，他形象地将科研时间分配用数学函数形式表示出来，表示需要减少许多个人时间。得到最优结果的建议是明确自己要做出什么，学会拒绝无关工作的干扰。

Yannis教授的报告内容十分充实，讲解十分清晰，同学们也积极地提问交流。Yannis教授用中文“谢谢”作为报告会的结束语，并表达了对于此次受邀来访的感谢。