<div dir="auto"><div dir="auto">Hi all,</div><div dir="auto"><br></div><div dir="auto">I'll be proposing this Thursday at noon. Feel free to drop by.<br><br><div data-smartmail="gmail_signature" dir="auto">-kirthevasan<br><br>Sent from my phone. Please excuse brevity.</div></div><div class="gmail_quote">---------- Forwarded message ----------<br>From: "Diane Stidle" <<a href="mailto:diane%2B@cs.cmu.edu" target="_blank">diane+@cs.cmu.edu</a>><br>Date: Mar 27, 2017 14:17<br>Subject: Thesis Proposal - 4/6/17 - Kirthevasan Kandasamy - Tuning Hyper-parameters without Grad Students: Scaling up Bandit Optimisation<br>To: "<a href="mailto:ml-seminar@cs.cmu.edu" target="_blank">ml-seminar@cs.cmu.edu</a>" <<a href="mailto:ML-SEMINAR@cs.cmu.edu" target="_blank">ML-SEMINAR@cs.cmu.edu</a>>, "<a href="mailto:zoubin@eng.cam.ac.uk" target="_blank">zoubin@eng.cam.ac.uk</a>" <<a href="mailto:zoubin@eng.cam.ac.uk" target="_blank">zoubin@eng.cam.ac.uk</a>><br>Cc: <br><br type="attribution">
  

    
  
  <div text="#000000" bgcolor="#FFFFFF">
    <p><i>Thesis Proposal</i></p>
    <p>Date: 4/6/17<br>
      Time 12:00pm<br>
      Place: 6121 GHC<br>
      Speaker: Kirthevasan Kandasamy</p>
    <p>Title: Tuning Hyper-parameters without Grad Students: Scaling up
      Bandit Optimisation</p>
    <div>Abstract:<br>
      In many scientific and engineering applications, we are tasked
      with optimising a black-box function which is expensive to
      evaluate due to computational or economic reasons. In <i>bandit
        optimisation</i>, we sequentially evaluate a noisy function with
      the goal of identifying its optimum in as few evaluations as
      possible. Some applications include tuning the hyper-parameters of
      machine learning algorithms, on-line advertising, optimal policy
      selection in robotics and maximum likelihood inference in
      simulation based scientific models. Today, these problems face new
      challenges due to increasingly expensive evaluations and the need
      to perform these tasks in high dimensional spaces. At the same
      time, there are new opportunities that have not been exploited
      before. We may have the flexibility to approximate the expensive
      function by investing less resources per evaluation. We can also
      carry out several evaluations simultaneously, say via parallel
      computing or by concurrently conducting multiple experiments in
      the real world. In this thesis, we aim to tackle these and several
      other challenges to meet emerging demands in large scale bandit
      applications. We develop methods with theoretical underpinnings
      and which also enjoy good empirical performance.<br>
      <br>
      Thesis Committee:<span><br>
        <font size="-1" face="Helvetica, Arial, sans-serif">Barnabás
          Póczos</font></span> (Co-Chair)<br>
      Jeff Schneider (Co-Chair)<br>
      Aarti Singh<br>
      Zoubin Ghahramani (University of Cambridge)<br>
      <br>
      Link to draft document:  <a href="http://cs.cmu.edu/%7Ekkandasa/docs/proposal.pdf" target="_blank">cs.cmu.edu/~kkandasa/docs/pro<wbr>posal.pdf</a></div>
    <pre class="m_1841397363111358464m_8907962190129999609moz-signature" cols="72">-- 
Diane Stidle
Graduate Programs Manager
Machine Learning Department
Carnegie Mellon University
<a class="m_1841397363111358464m_8907962190129999609moz-txt-link-abbreviated" href="mailto:diane@cs.cmu.edu" target="_blank">diane@cs.cmu.edu</a>
<a href="tel:(412)%20268-1299" value="+14122681299" target="_blank">412-268-1299</a></pre>
  </div>

</div></div>