Robustly enhancing density estimation through adaptive model averaging with density power divergence

有效密度估计在统计学与机器学习中具有基础性作用。传统参数密度估计方法通常基于最大似然，对异常值高度敏感。为此，报告将提出一种基于密度幂散度的鲁棒交叉验证密度平均方法，通过调参平衡估计的稳健性与效率。

为降低计算负担，该方法利用影响函数与泰勒展开技术推导了交叉验证准则的近似形式。所提密度模型平均估计量被证明在渐近意义上最优，并在候选模型包含真实密度时具有一致性。该方法在模拟数据与英国Sutton Bonington降雨数据上均表现出优于常用方法的性能。

邹国华，首都师范大学教授。博士毕业于中国科学院系统科学研究所，是国家杰出青年基金获得者、“新世纪百千万人才工程”国家级人选、中国科学院“百人计划”入选者、享受国务院政府特殊津贴，先后获中国科学院和北京市优秀研究生指导教师称号。

主要从事统计学的理论研究及其在经济金融、生物医学中的应用研究工作，在统计模型选择与平均、抽样调查的设计与分析、决策函数的优良性、疾病与基因的关联分析等方面的研究中取得了一系列重要成果，得到了国内外同行的好评与肯定，并被广泛引用。共出版教材2本，发表学术论文140余篇；

主持和参加国家科学基金项目以及全国性的实际课题30余项，提出的预测方法被实际部门所采用。