【ICML2019 Tutorials】PAC贝叶斯学习入门（A Primer on PAC-Bayesian Learning），伦敦大学学院（ucl）的高级研究科学家| Benjamin Guedj，伦敦大学学院 (UCL)计算机科学系主任| John Shawe Taylor

主题： A Primer on PAC-Bayesian Learning

摘要： 在过去的几年里，PAC-Bayesian方法已经被应用到很多领域，包括分类、高维稀疏回归、大随机矩阵的图像去噪和重建、推荐系统和协作过滤、二进制排序、在线排序、转移学习、多视图学习，信号处理，仅举几个例子。arXiv上的“PAC-Bayes”查询说明了PAC-Bayes是如何作为一种有效解决现代机器学习问题的原则性理论迅速重新出现的，例如使用重尾和相关数据学习，或深层神经网络泛化能力。本教程的目的是提供ICML观众全面的概述PAC贝叶斯，从统计学习理论（复杂性术语分析，泛化和Oracle界限）和覆盖算法（实际实现的PAC贝叶斯算法）的发展，直到最近PAC贝叶斯分析的深层神经网络泛化能力。

邀请嘉宾： Benjamin Guedj是Inria（法国）的终身研究科学家和伦敦大学学院（英国）的高级研究科学家。他的主要研究领域是统计学习理论、PAC-Bayes、机器学习和计算统计学。2013年，他在索邦大学（前法国皮埃尔大学和玛丽·居里大学）获得数学博士学位。

John Shawe Taylor,他是伦敦大学学院（University College London）计算机科学系主任在图论、密码学、统计学习理论及其应用等领域做出了贡献。然而，他的主要贡献是发展了基于统计学习理论的机器学习算法的分析和随后的算法定义。这项工作有助于通过引入核心方法和支持向量机来推动机器学习领域的根本性重生，推动这些方法映射到新的领域，包括计算机视觉、文档分类以及聚焦于脑扫描、免疫和蛋白质组分析。他发表了300多篇论文和两本书，吸引了6.2万多条引文。