我院郑思明博士在JASA（《美国统计学会会刊》）上刊发最新研究成果

近日，必威betway西汉姆郑思明博士与合作者“Domain-Specific Nonparametric Regression for Domain Generalization”为题在国际统计学顶级期刊期刊Journal of the American Statistical Association（《美国统计学会会刊》）发表论文，提出基于深度神经网络的DSNR方法，用于当训练数据与目标数据存在分布偏移时的灵活非参数建模，该方法在理论上被证明可有效克服维数灾难问题，数值分析也显示该方法显著提升了计算效率。

经典统计学习模型假设训练数据与目标数据同分布，但现实应用中该假设往往并不成立，导致基于训练数据得到的模型在目标数据的表现不尽人意。本文提出的DSNR方法在基于深度神经网络的非参数回归模型中，将协变量分布作为函数输入引入模型，使得不同的数据源的非参数回归函数的不同可由协变量分布的不同进行刻画。严格的理论的分析揭示了该方法的收敛速度依赖于不同数据源之间的分布波动和每个数据源内的数据波动，并且在数据存在低维结构时能自适应有效克服维数祸根问题。模拟研究和在商品零售数据上的分析表明，该方法在保证预测表现的同时，显著提升了计算效率。

本文提出的DSNR方法克服了现有基于可再生核方法无法适用于高维情形以及基于线性模型的方法在现实应用中容易出现模型误设的问题，同时在统计领域泛化模型研究中首次给出了基于深度神经网络的方法严格全面的理论分析。该方法可用于对不同个体产生的数据进行异质性的有效建模，因此在可利用不同病人的历史数据进行精准医疗管理或者利用不同商品的历史数据对新产品的需求进行预测等智慧赋能管理科学领域有重要的应用价值。

该论文由郑思明博士担任第一作者，林媛媛为通讯作者，周勇、黄坚为合作者。该工作得到国家重点研发计划、教育部生态安全的智慧决策学科突破先导项目等资助。

论文链接：https://www.tandfonline.com/doi/full/10.1080/01621459.2026.2658866