报告题目：Correntropy for robust and sparsity aware learning
报告 人：陈霸东
西安交通大学电信学院 教授
时 间：2017年6月20日（星期二） 上午9：30
地 点：第2教学楼南524室
陈霸东，西安交通大学教授，博导，陕西省“百人计划”特聘教授。2008年毕业于清华大学计算机专业获博士学位，2008年7月至2010年9月在清华大学精密仪器与机械学系做博士后研究，2010年10月至2012年9月在美国佛罗里达大学 (University of Florida) 电气与计算机工程系做博士后研究 (合作导师Jose C. Principe教授)，2015年7月到8月在新加坡南洋理工大学（NTU）做访问科学家，2012年10月至今为西安交通大学电信学院教授、博士生导师。研究兴趣包括信号处理、机器学习、人工智能、脑机接口、类脑计算等。目前发表学术论文180余篇，其中SCI期刊论文近100篇，发表在IEEE TSP, IEEE TNNLS, IEEE SPL, AUTOMATICA 等著名期刊。撰写学术章节4章，学术专著2部，其中以第一作者撰写的英文专著（Elsevier出版社）被国际计算评论（Computing Reviews）评选为2013年Notable Book。Web of Science 中论文被引近1000次，其中4篇论文获“ESI高被引论文”。陈教授是IEEE高级会员，担任IEEE TNNLS、Journal of the Franklin Institute、Entropy 等著名国际刊物副主编或编委，并作为负责人承担了国家自然科学基金面上、重点和973课题等多项重要科研项目。
报告简介：
Correntropy for robust and sparsity aware learning
Statistical similarity measures play significant roles in machine learning and signal processing. Recently, a novel similarity measure called correntropy was defined in kernel space. The correntropy induced metric (CIM) behaves like different norms (from L2 to L0) in different zones, and it can be applied as a robust and sparsity-aware cost for machine learning and signal processing. This talk will give an overview of Correntropy and several extensions, such as the generalized correntropy, kernel risk-sensitive loss (KRSL) and kernel mean p-power error (KMPE), and so on. The applications to robust regression, adaptive filtering, principal components analysis, deep learning and compressive sensing, will also be discussed.