Rina Foygel Barber 统计学家

shiyi18

Rina Foygel Barber
统计学家 | 2023 级
开发工具，减少误报，提高高维数据模型的可信度。



照片下载 >
下载视频文件 >
标题
统计员
工作单位
芝加哥大学统计系
工作地点
伊利诺伊州芝加哥
年龄
获奖时 40 岁
重点领域
数学、统计学和概率论
网站
rinafb.github.io
芝加哥大学里纳-福伊格尔-巴伯
发表于 2023 年 10 月 4 日
关于 Rina 的工作
Rina Foygel Barber 是一位统计学家，研究形式推理和预测模型的理论基础，并设计处理海量和多维数据集的新方法。巴伯的研究重点是降低错误发现率和交叉验证机器学习预测模型。她的工作提高了统计分析的质量，同时也揭示了统计方法的局限性。

巴伯和一位合作者创建了山寨过滤器框架，以解决机器学习应用于高维数据集时出现错误发现的可能性增加的问题，高维数据集相对于观测数据或数据点的数量而言拥有大量变量（例如，在健康数据中，可以为每个人收集许多不同的健康变量--年龄、身高、体重、血压等）。在这种方法中，会构建模仿实际变量的假变量（山寨变量），用于测试不同变量与统计模型中观察到的响应之间的关系。巴伯不断改进和提高山寨方法，现在它已被研究高维数据和大规模推断问题的研究人员广泛使用。在另一项工作中，巴伯开发了保形预测领域的方法，对机器学习算法中的预测不确定性进行量化。量化机器学习算法输出中的潜在变异性（实际上是 "预测 "不正确的可能性）对于确定输出是否值得信任和是否应该采取行动非常重要。Jackknife 重采样，又称 "leave-one-out "验证，通过从训练数据中剔除一个数据点来进行交叉验证。巴伯及其合作者利用 Jackknife+ 克服了传统 Jackknife 的一些限制，无论测试和训练数据中的数据点分布如何，都能进行验证，并考虑到预测模型中可能存在的不确定性。

巴伯的研究成果适用于医疗保健、基因组学、气候科学、天文成像和社会科学等多个领域的科学研究。巴伯在统计学、机器学习和数据科学交叉领域的创新工作，对于克服使用高维数据集带来的挑战至关重要。

简历
Rina Foygel Barber 2005 年获得布朗大学理学学士学位，2009 年获得芝加哥大学理学硕士学位，2012 年获得芝加哥大学博士学位。在加入芝加哥大学统计系之前，她曾在斯坦福大学担任国家科学基金会博士后研究员（2012-2013 年），现任该校路易斯-布洛克教授。Barber 曾在《Annals of Statistics》、《Journal of the American Statistical Association》、《Journal of the Royal Statistical Society》、《Advances in Neural Information Processing Systems》以及《Information and Inference：A Journal of the IMA》等著名期刊。

里纳的话
"通过在统计学、数学和科学之间建立联系，我们可以发现有趣的新问题和框架，并设计出新的工具来更好地应对现代数据分析的挑战"。
"统计学提供了一种语言来描述我们对算法和模型输出结果的不确定性，而现在算法和模型在我们的生活中扮演着比以往任何时候都更重要的角色。研究统计学的理论基础有助于我们确定哪种方法在回答特定问题时最可靠，或者知道什么时候某个问题从根本上无法回答。通过在统计学、数学和科学之间建立联系，我们可以发现有趣的新问题和新框架，并设计出新的工具来更好地应对现代数据分析的挑战"。