<html><head><style type='text/css'>p { margin: 0; }</style></head><body><div style='font-family: arial,helvetica,sans-serif; font-size: 12pt; color: #000000'><div style="color:#000;font-weight:normal;font-style:normal;text-decoration:none;font-family:Helvetica,Arial,sans-serif;font-size:12pt;"><style>p { margin: 0; }</style><div style="font-family: arial,helvetica,sans-serif; font-size: 12pt; color: #000000">Computation meets Statistics: Trade-offs and fundamental limits

<br>

<a href="http://www.cs.berkeley.edu/%7Ealekh/" target="_blank">Alekh Agarwal</a>, <a href="http://www.berkeley.edu/" target="_blank">University of California, Berkeley</a>

<br>

<a name="2012-02-28">Tuesday, February 28, 2012</a>, 4:30 PM<br><a href="http://www.princeton.edu/%7Epumap/index.html?id=167" target="_blank">Computer Science</a> Small Auditorium (Room 105)

<br><br><br>The past decade has seen the emergence of datasets of an unprecedented

scale, with both large sample sizes and dimensionality. Massive data

sets arise in various domains, among them computer vision, natural

language processing, computational biology, social networks analysis

and recommendation systems, to name a few.  In many such problems, the

bottleneck is not just the number of data samples, but also the

computational resources available to process the data.  Thus, a

fundamental goal in these problems is to characterize how estimation

error behaves as a function of the sample size, number of parameters,

and the computational budget available.

<p><br>

</p><p>In this talk, I present two research threads that provide

complementary lines of attack on this broader research agenda: lower

bounds for statistical estimation with computational constraints, and

(ii) distributed algorithms for statistical inference. The first

characterizes fundamental limits in a uniform sense over all methods,

whereas the latter provides explicit algorithms that exploits the

interaction of computational and statistical considerations in a

distributed computing environment.

</p><p><br>

</p><p>[Joint work with John Duchi, Pradeep Ravikumar, Peter Bartlett and

Martin Wainwright]

</p>

<br>Alekh Agarwal is a fifth year PhD student at UC Berkeley, jointly

advised by Peter Bartlett and Martin Wainwright. Alekh has received

PhD fellowships from Microsoft Research and Google. His main research

interests are in the areas of machine learning, convex optimization,

high-dimensional statistics, distributed machine learning and

understanding the computational trade-offs in machine learning

problems.

<br><br></div></div><br></div></body></html>