Speaker

Νικόλαος Σιδηρόπουλος

Louis T. Rader Καθηγητής και Chair του ECE Department - University of Virginia

Ο Ν. Σιδηρόπουλος είναι ο καθηγητής Louis T. Rader και πρόεδρος του Τμήματος ECE του Πανεπιστημίου της Βιρτζίνια. Κέρδισε το διδακτορικό του Ηλεκτρολόγων Μηχανικών από το Πανεπιστήμιο του Maryland – College Park, το 1992. Έχει υπηρετήσει στη σχολή του Πανεπιστημίου της Μινεσότα και στο Πολυτεχνείο της Κρήτης. Τα ερευνητικά του ενδιαφέροντα είναι στην επεξεργασία σήματος, στις επικοινωνίες, στη βελτιστοποίηση, στην αποσύνθεση των τανυστών και στην ανάλυση παραγόντων, με εφαρμογές στη μηχανική μάθηση και τις επικοινωνίες. Έλαβε το βραβείο NSF / CAREER το 1998, το βραβείο καλύτερου χαρτιού IEEE Signal Processing Society (SPS) το 2001, 2007 και 2011, έχει συντάξει ένα Google Classic Paper και το σεμινάριό του σχετικά με την αποσύνθεση των τανυστών κατατάσσεται # 1 στις μετρήσεις του Μελετητή Google. για IEEE Transactions in Signal Processing (TSP), και επίσης βρίσκεται στην κορυφή των πιο δημοφιλών / πιο συχνά προσβάσιμων εγγράφων TSP στο IEEExplore. Υπηρέτησε ως Διακεκριμένος Λέκτορας IEEE SPS (2008-2009) και ως Αντιπρόεδρος του IEEE SPS. Έλαβε το βραβείο IEEE Signal Processing Society Meritorious Service 2010 και το βραβείο διακεκριμένων αποφοίτων του 2013 από το Τμήμα ECE του Πανεπιστημίου του Maryland. Είναι Fellow του IEEE (2009) και Fellow του EURASIP (2014). Μπορείτε να βρείτε περισσότερες πληροφορίες στη διεύθυνση εδώ και εδώ

Nonparametric Multivariate Density Estimation: A Low-Rank Characteristic Function Approach

Effective non-parametric density estimation is a key challenge in high-dimensional multivariate data analysis. Building upon our recent work, which addressed the case of categorical / finite-alphabet random vectors, we propose a novel approach that leverages tensor factorization tools for continuous density estimation. Any multivariate density can be represented by its characteristic function, via the Fourier transform. If the sought density is compactly supported, then its characteristic function can be approximated, within controllable error, by a finite tensor of leading Fourier coefficients, whose size depends on the smoothness of the underlying density. This tensor can be naturally estimated from observed realizations of the random vector of interest, via sample averaging. In order to circumvent the curse of dimensionality, we introduce a low-rank model of this characteristic tensor, which significantly improves the density estimate especially for high-dimensional data and/or in the sample-starved regime. By virtue of uniqueness of low-rank tensor decomposition, under certain conditions, our method enables learning the true data-generating distribution. We will demonstrate the very promising performance of the proposed method using several measured datasets.