Asoke K. Nandi教授做客我?！扒把乜茖W報告”

9月18日下午，應科技處、前沿院和電子信息與人工智能學院邀請，Asoke K. Nandi教授做客我?！扒把乜茖W報告”，作了題為“How to make better choices? Single performance measure from many parameters”的學術報告。本次報告會由電智學院雷濤教授主持，學院相關專業(yè)教師和研究生參加此次報告會。

Nandi教授首先介紹了在選擇最佳算法時，對算法進行穩(wěn)健評估是必不可少的，在單個性能度量的情況下，客觀執(zhí)行這樣的評估是顯而易見的，但是在多個性能度量情景下會是什么樣的情況我們并不清楚。Nandi教授基于這個問題為我們進行了深刻的剖析。他首先介紹了AM（算術平均數(shù)）、HM（調(diào)和平均數(shù)）和GM（幾何平均數(shù)）三種指標，說明了F₁分數(shù)-HM是最受歡迎的評估標準。隨后他又提出了兩種新的指標DO（到原點的距離）和DIP（到理想值的距離）。當有幾個獨立的度量標準時，DO、DIP提供最大和最小度量性能之間的分數(shù)，DO被貼上了一個二次平均（QM）的標簽，而DIP沒有被貼上任何標簽，它是一種新的指標。最后Nandi教授在醫(yī)學數(shù)據(jù)集上實驗驗證了五種指標中DIP的優(yōu)越性，他解決了在客觀評價性能措施方面急需的知識差距且與許多領域相關。引入了剩余相空間的新概念用于評估性能并提出了兩個新的性能度量，即DO和DIP。HM總是比GM好，GM比AM好，AM比DO好。DIP總是比AM好，AM比DO好。在這五項指標中，DIP或HM都優(yōu)于其他指標，DIP被證明是在高性能算法的五種測量方法中最好的。

Nandi教授的精彩報告引起師生們的踴躍提問和熱烈討論，Nandi教授也熱情地為大家一一解答，參會師生表示受益匪淺。Nandi教授的學術分享開闊了廣大師生的視野，使大家對算法的評估標準即度量指標有了新的認識，也對相關專業(yè)的研究具有一定的啟發(fā)作用。

新聞小貼士：

Asoke K.Nandi教授是英國布魯奈爾大學電子與電子工程系主任，英國皇家工程院院士，英國機械工程師學會院士，工程技術學會院士，也是包括IEEE在內(nèi)的其他三個機構(gòu)的院士，兼任西安交通大學講座教授。Nandi院士在物理學、統(tǒng)計信號處理、機器學習和生物醫(yī)學信號處理方面均做出了開拓性的理論研究,并在基因組的信號處理和腦電信號處理應用方面做出過巨大貢獻。Nandi院士畢業(yè)于享譽世界的劍橋大學圣三一學院，畢業(yè)后留校任教。1983年，Nandi教授與其他人共同發(fā)現(xiàn)了W+、W-和ZO這三個基本粒子，為電磁力和弱力的統(tǒng)一提供了證據(jù)。在機器學習領域，Nandi院士也是最早將機器學習方法引入到基因數(shù)據(jù)分析中的先驅(qū)之一。目前的研究方向為信號處理和機器學習，主要應用于功能性磁共振數(shù)據(jù)、基因表達數(shù)據(jù)、通信和生物醫(yī)學數(shù)據(jù)，為信號處理和機器學習的許多方面做出了基本的理論和算法貢獻。撰寫了600多篇出版物，包括280篇期刊論文以及六本書刊。Nandi院士首次證明了循環(huán)平穩(wěn)性在震蕩數(shù)據(jù)分析中的應用，并因此獲得了英國the Water Arbitration Prize獎。Nandi院士也是最早將機器學習方法（聚類算法、人工神經(jīng)網(wǎng)絡，支持向量機和遺傳編程）引入到基因數(shù)據(jù)分析中的先驅(qū)之一。

（核稿：雷濤 編輯：劉倩）