Talks and Presentations

International Conference/Workshop

1. T. Suzuki, S. Akiyama: Benefit of deep learning with non-convex noisy gradient descent: Provable excess risk bound and superiority to kernel methods. The International Conference on Learning Representations 2021 (virtual), Mar. 2021.

2. S. Akiyama, T. Suzuki: On Learnability via Gradient Method for Two-Layer ReLU Neural Networks in Teacher-Student Setting. International Conference of Machine Learning 2021, (virtual), Jul. 2021.

3. K. Oko, S. Akiyama, T. Murata and T. Suzuki: Reducing Communication in Nonconvex Federated Learning with a Novel Single-Loop Variance Reduction Method, OPT 2022: Optimization for Machine Learning (NeurIPS 2022 Workshop), New Orleans, America, Dec. 2022.

4. S. Akiyama, T. Suzuki: Excess Risk of Two-Layer ReLU Neural Networks in Teacher-Student Settings and its Superiority to Kernel Methods. International Conference on Learning Representations, Kigali, Rwanda, May. 2023.

5. K. Oko, S. Akiyama, and T. Suzuki: Diffusion Models are Minimax Optimal Distribution Estimators. International Conference on Machine Learning. Hawaii, America, Jul., 2023.

6. S. Akiyama, K. Oko and T. Suzuki: Benign Overfitting of Two-Layer Neural Networks under Inputs with Intrinsic Dimensionality. HiLD 2023: 1st Workshop on High-dimensional Learning Dynamics (ICML 2023 workshop). Hawaii, America, Jul., 2023.

7. K. Oko, S. Akiyama, D. Wu, T. Suzuki, T. Murata: SILVER: Single-loop variance reduction and application to federated learning. International Conference on Machine Learning. Vienna, Austria, Jul., 2024.

8. H. Yanagisawa, S. Akiyama: Survival Analysis via Density Estimation. International Conference on Machine Learning. Vancouver, Canada, Jul., 2025.

9. S. Akiyama: Block Coordinate Descent for Neural Networks Provably Finds Global Minima. Annual Conference on Neural Information Processing Systems, San Diego, America, Dec., 2025.

Domestic Conference/Workshop

1. 秋山 俊太, 鈴木 大慈: 教師生徒設定における勾配法による二層ReLUニューラルネットワークの学習可能性について. 統計関連学会連合大会, オンライン, 2021年9月.

2. 秋山 俊太, 鈴木 大慈,: ノイズ付き勾配法を用いた教師生徒設定における二層ReLuニューラルネットワークの学習, 第24回情報論的学習理論ワークショップ, オンライン, 2021年11月.

3. 秋山 俊太, 鈴木 大慈:教師生徒設定における二層ReLUニューラルネットワークの線形推定量に対する優位性について. 統計関連学会連合大会, 東京, 2022年9月.

4. 秋山 俊太, 大古一聡, 鈴木 大慈: 低次元構造を持つデータに対するニューラルネットワークの良性過学習の解析. 第25回情報論的学習理論ワークショップ, 茨城, 2022年11月.

5. 大古一聡, 秋山 俊太, 鈴木 大慈: Reducing Communication in Federated Learning with a Novel Single-Loop Variance Reduction Method. 第25回情報論的学習理論ワークショップ, 茨城, 2022年11月.

6. 大古一聡, 秋山 俊太, 村田 智也, 鈴木 大慈: Toward optimal complexities for cross-device federated learning under less heterogeneity. 第25回情報論的学習理論ワークショップ, 茨城, 2022年11月.

7. 秋山 俊太, 大古一聡, 鈴木 大慈: 低次元構造を持つデータに対するニューラルネットワークの良性過学習の解析. 統計関連学会連合大会, 京都, 2023年9月.

8. 大古一聡, 秋山 俊太, 鈴木 大慈: Diffusion Models are Minimax Optimal Distribution Estimators. 第26回情報論的学習理論ワークショップ, 福岡, 2023年11月.

9. 秋山 俊太: ニューラルネットワークにおけるブロック型勾配法の大域的収束性. 第27回情報論的学習理論ワークショップ, 埼玉, 2024年11月.

10. 柳澤 弘揮, 秋山 俊太: 多値分類モデルを用いた生存時間分析. 統計連合学会連合大会, 大阪, 2025年9月.

11. 秋山 俊太: PL条件を仮定したゼロ次最適化法の次元に依存しない計算量解析. 第28回情報論的学習理論ワークショップ, 沖縄, 2025年11月.