1. Computer experiments 计算机实验
2. Uncertainty quantification 不确定性量化
3. Machine Learning 机器学习
4. Nonparametric statistics 非参统计
5. Statistical modeling in biology and engineering 统计建模在生物与工业工程中的应用
1. 高斯过程 (Gaussian process) 来建立代理模型 (surrogate model):在工业生产与科学研究中,人们经常需要通过计算机实验来模拟真实的物理实验。然而,计算机实验的一个重要问题在于其复杂性——高度复杂的物理过程使得作为仿真模拟的计算机实验本身也十分复杂。这就导致了人们往往只能得到少量的计算机实验运行结果。因此,如何基于有限个结果对计算机实验进行研究便成为了该领域的一个中心问题。对于这些复杂的计算机实验,统计学家往往利用高斯过程 (Gaussian process) 来建立代理模型 (surrogate model),以近似相应的计算机实验。相应的代理模型也被称为高斯过程模型。王文佳的主要研究方向之一就是对高斯过程模型进行理论研究。对高斯过程模型的预测误差进行准确的数学刻画可以为全局预测误差的不确定性量化提供新的见解,并且印证计算机实验设计优良的必要性。
2. 机器学习算法的理论研究:神经网络是机器学习中最重要的方法之一。尽管神经网络在实际应用中已经获得了巨大的成功,但是对于神经网络的理论研究依然是相对缺失的。由于神经网络往往是过参数化的,即参数的个数远远大于样本的数量,这使得对神经网络的分析尤为困难。王文佳的主要研究方向之二即结合统计学习的方法,从算法出发,为神经网络的泛化误差进行数学刻画。
王文佳老师目前已在包含Journal of the American Statistical Association, Journal of Machine Learning Research, SIAM-ASA Journal on Uncertainty Quantification, Electronic Journal of Statistics等统计和机器学习的期刊发表论文多篇,多次在国内外学术会议受邀做学术报告,并且曾担任包含Journal of Machine Learning Research, Statistica Sinica, Journal of Computational and Graphical Statistics, Technometrics, SIAM-ASA Journal on Uncertainty Quantification, IISE Transactions等期刊的审稿人。
1. 满足香港科技大学(广州)的招生要求;
2. 具有良好的数学功底和编程能力;
3. 对科研具有强烈的兴趣;
4. 最重要的是自我驱动力强。