题目： Active Hypothesis Testing: An Information Theoretic (re)View

简介：

本教程回顾了主动假设检验问题:统计数据的一个经典问题的决策者负责积极和动态采集数据/样本,以提高信息的潜在感兴趣的现象随着沟通成本,传感或数据收集。决策者必须依赖当前的信息状态来不断(重新)评估各种操作的精度和成本之间的权衡。本教程探讨了经常被忽视的主动假设检验和反馈信息理论之间的联系。我们认为，这种联系对下一代信息获取和机器学习算法具有重要的意义，在下一代信息获取和机器学习算法中，数据是由主动或合作的本地代理收集的。

在演讲的第一部分，我们将讨论统计学中主动假设检验(和实验设计)的历史以及Blackwell、Chernoff、De Groot和Stein的重要贡献。在第二部分中，我们讨论了信息理论中获取速率和可靠性的概念(以及它们之间的基本平衡)，以及外部的Jensen-Shannon散度，讨论了一类基于后验匹配的信道编码容量获取反馈算法。我们将举例说明这些信息理论概念、分析以及见解和算法在一些重要的实际相关问题上的实用价值，如测量相关的噪声搜索和分散贝叶斯联合学习。

邀请嘉宾：

Tara Javidi是加利福尼亚大学圣迭戈分校电气和计算机工程教授，机器集成计算和安全中心的创始主任，研究领域是主动机器学习的信息论、自适应信号/信息获取和处理、分散(网络)统计和强化学习、机器集成计算和通信的优化、无线通信网络、随机分散控制。