[ABE-L] Seminários organizados pelo Statistical Learning Laboratory (SaLLy)

Sex Mar 21 10:16:09 -03 2025

Prezados Colegas,

Temos o prazer de anunciar dois seminários, organizados pelo Statistical
Learning Laboratory (SaLLy, www.SaLLy.ufba.br). Envio a informação completa
abaixo.

Pedimos que partilhem com os colegas que possam participar.
Um abraço,
Paulo.

=========================================================
*Palestrante*:  Paula Brito (Universidade do Porto, Portugal)
*Dia e hora*: 24/03/2025 às 15h00
*Local*: Auditório do Instituto de Matemática e Estatística da Universidade
Federal da Bahia (*presencial*)

*Title*: Modelos Esparsos Robustos e Detecção de Observações Atípicas em
Dados Distribucionais Multivariados

*Abstract*: O modelo clássico de representação de dados é demasiado
restritivo quando os dados a analisar não são números reais, mas incluem
variabilidade. É o caso quando as unidades analisadas não são elementos
isolados, mas grupos formados com base em propriedades comuns, e a
variabilidade observada dentro de cada grupo deva ser considerada.
Nesta apresentação, centramo-nos em dados numéricos distribucionais, em
que, para cada variável, as unidades são descritas por distribuições
empíricas. Cada distribuição é representada por uma medida de localização e
intervalos interquantílicos, para um conjunto escolhido de quantis.
Assume-se uma distribuição Gaussiana multivariada para o conjunto dos
indicadores, com configurações alternativas restritas para a matriz de
covariância.
Com base neste modelo, é proposto um método para detectar observações
atípicas multivariadas.  O método baseia-se na distância de Mahalanobis,
calculada com um estimador robusto e esparso da matriz de precisão. Um
estudo de simulação analisa o comportamento do método proposto, uma
aplicação a dados reais ilustra a sua aplicação prática. (trabalho conjunto
com Pedro Duarte Silva e Peter Filzmoser)

*Bio*: Paula Brito é Professora Associada da Faculdade de Economia da
Universidade do Porto, onde lecciona Estatística e Análise de Dados a nível
de licenciatura, mestrado, e doutoramento. É membro integrado do Grupo de
Investigação em Inteligência Artificial e Apoio à Decisão (LIAAD) do INESC
TEC, Portugal. Tem um doutoramento em Matemática Aplicada pela Universidade
Paris Dauphine (1991), e Agregação em Matemática Aplicada pela Universidade
do Porto (2018). A sua investigação actual centra-se na análise de dados
complexos multidimensionais, conhecidos como dados simbólicos, para os
quais desenvolve abordagens estatísticas e metodologias de análise
multivariada. Esteve envolvida em dois projectos de investigação europeus e
coordenou a participação portuguesa no projeto H2020 FinTech. Paula Brito
foi presidente da International Association for Statistical Computing
(IASC-ISI) (2013-2015) e é presidente da Associação Portuguesa de
Classificação e Análise de Dados (CLAD) desde 2021. É autora de um elevado
número de artigos em revistas conceituadas, foi oradora convidada em várias
conferências internacionais, é regularmente membro de comités de programa
internacionais, e foi Chair das conferências internacionais COMPSTAT 2008 e
IFCS 2022.
=========================================================

=========================================================
*Palestrante*: Immanuel M. Bomze (University of Vienna, Austria)
*Dia e hora*: 31/05/2023 às 16h00
*Local*: Auditório do Instituto de Matemática e Estatística da Universidade
Federal da Bahia (presencial)

*Title*: Feature selection in biclassifying SVM by means of strict sparsity
control

*Abstract*: In some ML communities, researchers claim that obtaining local
solutions of optimality criteria is often sufficient to provide a
meaningful and accurate data model in real-world analytics. However, this
is simply incorrect and sometimes dangerously misleading, particularly when
it comes to highly structured problems involving non-convexity such as
discrete decisions (binary variables). This talk will advocate the
necessity of research efforts in the quest for global solutions and strong
rigorous bounds for quality guarantees, showcased on one of the nowadays
most popular domains -- cardinality-constrained models. These models try to
achieve fairness, transparency and explainability in AI applications,
ranging from
Math.Finance/Economics to social and life sciences.

Instead of using surrogates for the benefit of tractability, we propose to
incorporate the true zero-norm into the base model and treat this either by
MILP relaxations or else by lifting to tractable conic optimization models.
Both in practice and in theory, these have proved to achieve much stronger
bounds than the usual LP-based ones, and therefore they may, more reliably
and based upon exact arguments, assess the quality of proposals coming from
other techniques in a more precise way. With some effort invested in the
theory, the resulting models are still scalable and would
guarantee computational performance closer to reality and/or optimality
(joint work with F.d'Onofrio, L.Palagi and B.Peng)

*Bio*: Born 1958 in Vienna, Austria, Immanuel M. Bomze received his Ph.D.
in Mathematics 1982 at the University of Vienna. After his Habilitation
1987, he held several visiting research positions at various research
institutions across Europe, the Americas, Asia and Australia. He also
gained some practical Operations Research experience during his employment
by the national incumbent telecommunication operator. From 2004 until his
retirement 2023 he held a chair (full professor) of Applied Mathematics and
Statistics at the University of Vienna. Now he is active as Professorial
Research Fellow at this university and at several institutions abroad.

Bomze's research interests are in the areas of nonlinear optimization,
qualitative theory of dynamical systems, game theory, mathematical modeling
and statistics, where he has edited one and published four books, as well
as over 140 peer-reviewed articles in scientific journals and monographs.
The list of his co-authors comprises almost 100 scientists from more than a
dozen countries in four continents. In 2014 he was elected Fellow of
EurOpt, the Continuous Optimization Working Group of EURO, the Association
of European Operational Research Societies, for which he served as
President 2018-2020.

He is an Associate Editor for five international journals. For several
national science foundations and councils and for over 50 scientific
journals he acted as a reporting referee. 2011-2017 he served as an Editor
(Co-EiC) of the European Journal of Operational Research, one of the
worldwide leading journals in the field. Since 2021, he serves as the sole
Editor-in-Chief of the EURO Journal on Computational Optimization.
=========================================================

----------------------------------------------------------------------------------------------------
----------
Paulo Canas Rodrigues
*Professor*, Department of Statistics, Federal University of Bahia
<http://ufba.br>, Brazil
*Director*, Statistical Learning Laboratory (SaLLy) <http://sally.ufba.br/>
*President,* International Society for Business and
<https://www.isbis-isi.org/>Industrial Statistics
<https://www.isbis-isi.org/>
*President-Elect, International Association for Statistical Computing
<https://iasc-isi.org/>*
*Council Member*, International Statistical Institute <https://isi.cbs.nl/>
*Member of the Representative Council*, International Biometric Society
<https://www.biometricsociety.org/home>
*Vice-Coordinator*, Specialization in Data Science and Big Data
<http://ecd.ufba.br>
*Editor for*: CompStat <https://www.springer.com/journal/180>, SOIC
<http://www.iapress.org/index.php/soic>, Biom. Letters
<http://www.up.poznan.pl/biometrical.letters/>, Braz. J. Biom.
<http://www.biometria.ufla.br/index.php/BBJ>

*CV Lattes*: http://lattes.cnpq.br/0029960374321970
*Web*: www.paulocanas.org
----------------------------------------------------------------------------------------------------
----------
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://lists.ime.usp.br/pipermail/abe/attachments/20250321/f229beec/attachment-0001.htm>