Стюарт Геман

Стюарт А. Геман
Стюарт А. Геман
	Геман читает лекцию о сэмплере Гиббса
Рожденный	23 марта 1949 г. (75 лет) ; Чикаго , Иллинойс , США
Национальность	Американский
Альма-матер	Бакалавр Мичиганского университета (1971) ; Дартмутский колледж, магистр наук (1973) ; Массачусетский технологический институт, доктор философии. (1977)
Родственники	Дональд Геман (брат)
	Научная карьера
Поля	Математика
Учреждения	Брауновский университет
Диссертация	Стохастические дифференциальные уравнения с процессами плавного смешивания (1977)
Докторантура	Герман Чернофф ; Фрэнк Козин
Докторанты	Барри Р. Дэвис
Веб-сайт	www .дамба .коричневый .edu /люди /геман /

Стюарт Алан Геман (родился 23 марта 1949 г.) — американский математик , известный своим влиятельным вкладом в компьютерное зрение, статистику, теорию вероятностей, машинное обучение и нейронауки. ^[1]^[2]^[3]^[4] Он и его брат Дональд Джеман хорошо известны тем, что предложили сэмплер Гиббса и первым доказали сходимость алгоритма моделирования отжига . ^[5]^[6]

Биография

Геман родился и вырос в Чикаго. Он получил образование в Мичиганском университете (бакалавр физики, 1971 г.), Дартмутском медицинском колледже (магистр нейрофизиологии, 1973 г.) и Массачусетском технологическом институте (доктор философии прикладной математики, 1977 г.).

С 1977 года он был преподавателем в Университете Брауна , где работал в группе теории закономерностей , а в настоящее время является профессором прикладной математики имени Джеймса Мэннинга. Он получил множество наград и наград, в том числе был выбран Президентским молодым исследователем и высоко цитируемым исследователем ISI. Он является избранным членом Международного статистического института , а также научным сотрудником Института математической статистики и Американского математического общества. ^[7] США В 2011 году он был избран членом Национальной академии наук .

Работа

Научный вклад Гемана охватывает работу в области вероятностных и статистических подходов к искусственному интеллекту , случайным полям Маркова , методам Монте-Карло (MCMC) цепей Маркова, непараметрическому выводу , случайным матрицам, случайным динамическим системам, нейронным сетям, нейрофизиологии, финансовым рынкам и статистике естественных изображений. Среди наиболее заметных работ: разработка пробоотборника Гиббса , доказательство сходимости моделируемого отжига , ^[8]^[9] основополагающий вклад в подход марковского случайного поля («графическая модель») к выводам в зрении и машинном обучении, ^[3]^[10] и работать над композиционными основами зрения и познания. ^[11]^[12]

Примечания

^ Томас П. Райан и Уильям Х. Вудалл (2005). «Самые цитируемые статистические статьи». Журнал прикладной статистики . 32 (5): 461–474. дои : 10.1080/02664760500079373 . S2CID 109615204 .
^ С. Коц и Н. Л. Джонсон (1997). Прорывы в статистике, Том III . Нью-Йорк, штат Нью-Йорк: Springer Verlag.
^ Перейти обратно: ^а ^б [Arc.Ask3.Ru] Список важных публикаций по информатике.
^ Шэрон Берч Макгрейн (2011). Теория, которая не умрет . Нью-Йорк и Лондон: Издательство Йельского университета.
^ С. Геман; Д. Геман (1984). «Стохастическая релаксация, распределения Гиббса и байесовское восстановление изображений». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 6 (6): 721–741. дои : 10.1109/TPAMI.1984.4767596 . ПМИД 22499653 . S2CID 5837272 .
^ Google Scholar: стохастическая релаксация, распределения Гиббса и байесовское восстановление .
↑ Список членов Американского математического общества , получено 27 августа 2013 г.
^ П. Дж. ван Лаарховен и Э. Х. Аартс (1987). Имитированный отжиг: Теория и приложения . Нидерланды: Клювер. Бибкод : 1987sata.book.....L .
^ П. Саламон; П. Сибани; Р. Фрост (2002). Факты, предположения и улучшения моделирования отжига . Филадельфия, Пенсильвания: Общество промышленной и прикладной математики.
^ К. Бишоп (2006). Распознавание образов и машинное обучение . Нью-Йорк: Спрингер.
^ Н. Чейтер; Дж. Б. Тененбаум и А. Юилле (2005). «Вероятностные модели познания: Концептуальные основы» (PDF) . Тенденции в когнитивных науках . 10 (7): 287–291. дои : 10.1016/j.tics.2006.05.007 . ПМИД 16807064 . S2CID 7547910 .
^ Б. Оммер и Дж. М. Буманн (2010). «Изучение композиционной структуры категорий визуальных объектов для узнавания». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 32 (3): 501–516. CiteSeerX 10.1.1.297.2474 . дои : 10.1109/tpami.2009.22 . ПМИД 20075474 . S2CID 11002928 .

[1] Томас П. Райан и Уильям Х. Вудалл (2005). «Самые цитируемые статистические статьи». Журнал прикладной статистики . 32 (5): 461–474. дои : 10.1080/02664760500079373 . S2CID 109615204 .

[2] С. Коц и Н. Л. Джонсон (1997). Прорывы в статистике, Том III . Нью-Йорк, штат Нью-Йорк: Springer Verlag.

[list-3] Перейти обратно: ^а ^б [Arc.Ask3.Ru] Список важных публикаций по информатике.

[4] Шэрон Берч Макгрейн (2011). Теория, которая не умрет . Нью-Йорк и Лондон: Издательство Йельского университета.

[5] С. Геман; Д. Геман (1984). «Стохастическая релаксация, распределения Гиббса и байесовское восстановление изображений». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 6 (6): 721–741. дои : 10.1109/TPAMI.1984.4767596 . ПМИД 22499653 . S2CID 5837272 .

[6] Google Scholar: стохастическая релаксация, распределения Гиббса и байесовское восстановление .

[7] Список членов Американского математического общества , получено 27 августа 2013 г.

[8] П. Дж. ван Лаарховен и Э. Х. Аартс (1987). Имитированный отжиг: Теория и приложения . Нидерланды: Клювер. Бибкод : 1987sata.book.....L .

[9] П. Саламон; П. Сибани; Р. Фрост (2002). Факты, предположения и улучшения моделирования отжига . Филадельфия, Пенсильвания: Общество промышленной и прикладной математики.

[10] К. Бишоп (2006). Распознавание образов и машинное обучение . Нью-Йорк: Спрингер.

[11] Н. Чейтер; Дж. Б. Тененбаум и А. Юилле (2005). «Вероятностные модели познания: Концептуальные основы» (PDF) . Тенденции в когнитивных науках . 10 (7): 287–291. дои : 10.1016/j.tics.2006.05.007 . ПМИД 16807064 . S2CID 7547910 .

[12] Б. Оммер и Дж. М. Буманн (2010). «Изучение композиционной структуры категорий визуальных объектов для узнавания». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 32 (3): 501–516. CiteSeerX 10.1.1.297.2474 . дои : 10.1109/tpami.2009.22 . ПМИД 20075474 . S2CID 11002928 .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]