<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'><b>Learning in an Adversarial World, with Connections to Pricing, Hedging, and Routing</b>

<br>

<b><a href="http://www.seas.upenn.edu/%7Ejaber/">Jacob Duncan Abernethy</a></b>, <a href="http://www.upenn.edu/">University of Pennsylvania</a>

<br>Tuesday, April 2, 2013, 4:30pm<br>Computer Science 105<br><br>

<br>

Machine Learning is often viewed through the lens of statistics, where

one tries to model or fit a set of data under stochastic conditions;

for example, it is typical to assume one's observations were sampled

IID. However, dating back to results of Blackwell and Hannan from the

1950s we know how to construct learning and decision strategies that

possess robust guarantees even under adversarial conditions. Within

this setting the goal of the learner is to "minimize regret" against

any sequence of inputs. In this talk we lay out the framework, discuss

some recent results, and we finish by exploring a couple of surprising

applications and connections, including: (a) market making in

combinatorial prediction markets, (b) routing with limited feedback,

and (c) hedging derivative securities (e.g. European option contracts)

in the worst-case, with a connection to the classical Black-Scholes

option-pricing model.

<br><br>Jake received his undergraduate degree in Mathematics from MIT in 2002

and a Master's degree in Computer Science from TTI-C in 2006. He

recently finished a PhD in Computer Science at UC Berkeley, advised by

Peter Bartlett, and he is now the Simons Postdoctoral Fellow at

University of Pennsylvania. Jake has a particular focus on the

intersection between machine learning, games and markets.

<div><br><span name="x"></span><br></div><br></div></body></html>