2018年11月15日星期四下午2:50，计算机学院邀请到北京邮电大学马占宇副教授，来为我院师生做了一场主题为“数据的非高斯建模与分析”的学术交流报告。本次报告在计算机学院4001室举办。

首先，马占宇教授为我们简单介绍了非高斯分布的背景特点。非高斯是一种泛在的数据分布形态，比起高斯分布，有更灵活的定义并且形状各样，同样属于指数族。接着他指出，现实应用中所产生的一些数据，有着与高斯分布截然不同的特性，这些数据服从非高斯(non-Gaussian)分布。虽可采用基于高斯分布假设、线性变换等传统的思路对此类数据进行建模与分析，但此思路缺乏对数据分布非高斯特性高效的、可靠的、准确的描述，从而影响实际应用中的性能。由此提出研究非高斯分布工作内容与意义。

因此，如何充分利用非高斯分布数据的统计特性，探索有别于传统高斯建模的思路，揭示数据分布与模型之间的内在关联规律，实现“数据的非高斯建模与分析”，是人工智能与计算机应用领域亟待解决的重要问题之一。马占宇教授在报告中针对以上问题，提出了：1）非高斯概率模型高效贝叶斯估计的扩展变分法，2）非高斯分布数据的低秩表示与特征提取框架，3）非高斯分布数据的分析与跨域融合方法，形成了“高效、可靠、准确”的理论框架与技术方法。内容具体，讲解深刻，使我院师生受益匪浅。最后，马占宇教授回答现场师生的提问。

  报告人介绍：

马占宇，瑞典皇家理工学院博士、博士后，现任北京邮电大学副教授、博士生导师，丹麦奥尔堡大学兼职副教授、博士生导师，IEEE高级会员，中国计算机学会(CCF)高级会员、计算机视觉专委会委员、副秘书长，中国计算机学会大数据专委会通信委员；主要研究方向是模式识别与机器学习及其在非高斯概率模型、大数据建模与分析、多媒体信号处理、生物医学信号处理、生物信息学等领域的应用。共在包括IEEE TPAMI在内的顶级国际期刊和会议上发表论文70多篇，担任IEEE Trans on Vehicular Technology 编委（Editor）、IEEE ACCESS副编委（Associate Editor）、NEUROCOMPUTING编委（Editoral Board Member）、国际学术会议SPLINE2016技术委员会联合主席（Technical Co-chair）、IEEE MLSP2018大会联合程序主席（Program Co-Chair）及多个期刊和会议的审稿人，获授权发明专利12项，相关技术被应用于多个实际系统中；主持包括国家自然科学基金、教育部、北京市自然科学基金在内的多个项目；荣获2017年度“第七届吴文俊人工智能科学技术奖”一等奖（第一完成人），2017年度“北京市科学技术奖”二等奖（第三完成人），第十四届北京青年优秀科技论文一等奖（第一作者），国际会议IEEE IC-NIDC最佳论文奖（通信作者），入选2017年度“北京市科技新星”计划。