Дональд Джей Джиман (родился 20 сентября 1943 года) — американский прикладной математик и ведущий исследователь в области машинного обучения и распознавания образов . Он и его брат Стюарт Джиман очень известны тем, что предложили сэмплер Гиббса и первое доказательство сходимости алгоритма имитации отжига [ 1] в статье, которая стала высокоцитируемой ссылкой в области инженерии (более 21 тыс. ссылок по данным Google Scholar по состоянию на январь 2018 года). [2] Он является профессором Университета Джонса Хопкинса и одновременно приглашенным профессором Высшей нормальной школы Кашана .
Джеман родился в Чикаго в 1943 году. Он окончил Иллинойсский университет в Урбане-Шампейне в 1965 году со степенью бакалавра по английской литературе и Северо-Западный университет в 1970 году со степенью доктора философии по математике. [3] Его диссертация называлась «Обусловленность горизонтальным окном и нули стационарных процессов». Он присоединился к Массачусетскому университету в Амхерсте в 1970 году, откуда вышел на пенсию в качестве почетного профессора в 2001 году. После этого он стал профессором кафедры прикладной математики в Университете Джонса Хопкинса . Он также был приглашенным профессором в Высшей нормальной школе Кашана с 2001 года. Он является членом Национальной академии наук и научным сотрудником Института математической статистики и Общества промышленной и прикладной математики .
D. Geman и J. Horowitz опубликовали ряд статей в конце 1970-х годов о локальном времени и плотности заполнения стохастических процессов. Обзор этой работы и других связанных с ней проблем можно найти в Annals of Probability. [4] В 1984 году вместе со своим братом Стюартом он опубликовал знаменательную статью, которая до сих пор является одной из самых цитируемых статей [5] в инженерной литературе. В ней представлена байесовская парадигма с использованием марковских случайных полей для анализа изображений. Этот подход оказал большое влияние на протяжении последних 20 лет и остается редким проявлением силы в этой быстро развивающейся области. В другой знаменательной статье [6] [7] в сотрудничестве с Y. Amit он ввел понятие рандомизированных деревьев решений , [8] [9] , которые были названы случайными лесами и популяризированы Лео Брейманом . Некоторые из его последних работ включают введение иерархических каскадов от грубого к тонкому для обнаружения объектов [10] в компьютерном зрении и классификатора TSP (Top Scoring Pairs) как простого и надежного правила для классификаторов, обученных на небольших выборочных наборах данных высокой размерности в биоинформатике . [11] [12]