报 告 人：张春明 教授（美国威斯康辛大学麦迪逊主校）
报告题目：Statistical Learning of Neuronal Functional Connectivity
报告时间：2015 年12月 16日（周三）上午9：00
报告地点：静远楼1506学术报告厅
摘 要： Identifying the network structure of a neuron ensemble is critical for understanding how information is transferred within such a neural population. However, the spike train data pose significant challenges to conventional statistical methods due to not only the complexity, massive size and large scale, but also high dimensionality. In this paper, we propose a SIE regularization method for estimating the conditional intensities under the GLM framework to better capture the functional connectivity among neurons. We study the consistency of parameter estimation and model selection of the proposed method. A new algorithm is developed to efficiently handle the complex penalty in the SIE-GLM for large sparse data sets applicable to spike train data. Simulation results indicate that our proposed method outperforms existing approaches. An application of the proposed method to a real spike train data set provides some insight into the neuronal network.
张春明教授简介：美国威斯康辛大学麦迪逊主校统计学教授。2000年毕业于北卡罗来纳大学教堂山分校，获统计学博士学位，师从范剑青教授；1993年中国科学 院，获计算数学硕士学位；1990年毕业于南开大学，获数理统计专业学士学位。现任美国统计学会非参数统计分会主席；曾担任美国统计学会学生论文竞赛评审委员会委员、数理统计研究所提名委员、泛华统计学会理事；先后担任 Ann. Statistics，JASA和J. Statist. Plann.Inference 等杂志副主编；自2006年起多次担任美国国家自然科学基金专家组成 员；2011年当选为数理统计研究所会士；2004年获美国国家自然科学基金攻坚（Focus）研究奖；2003年受Statistica Sinica联合统计会议特别邀请做大会报告；在包括四大天王在内的统计学杂志上发表SCI论文40余篇。