汇聚青年智慧，共探数智前沿——2026年bw·西汉姆联统计与数据科学青年学者论坛圆满落幕

        2026年6月12日至13日，2026年bw·西汉姆联统计与数据科学青年学者论坛在bw·西汉姆联九龙湖校区召开。本次论坛由必威betway西汉姆主办，于人文社科科研楼1801报告厅举行。论坛聚焦统计学、数据科学及其交叉领域的最新研究进展，共邀请了六位海内外知名专家与青年学者作精彩学术报告。

        来自明尼苏达大学的邹晖教授带来了题为《增强型响应包络模型》的精彩报告。他指出，响应包络模型通过识别响应变量中与模型相关的实质性部分并排除无关部分，能显著提升标准多元线性回归的效率。报告创新性地提出了一种增强型响应包络模型，引入了基于非凸流形公式的全新包络正则化项。研究表明，该模型不仅比标准包络估计量具有更好的预测风险，还能自然、有效地处理高维数据。同时，在渐近高维机制下，报告刻画了其风险函数并揭示了包络模型中特有的“双下降”现象，模拟与实际数据应用均证实其预测性能较标准方法有显著提高。

        美国埃默里大学的张菁菲教授围绕《Designing Randomized Experiments under Network Interference》进行了深入探讨。针对网络干扰导致的因果效应估计偏差问题，她开发了一种基于模型框架和自我集群随机化的新实验设计，通过将网络划分为由核心单元及其邻居组成的自我集群并在集群层面进行随机化，实现了对全局治疗效果和溢出效应的准确估计。模拟与实证应用表明，该程序比现有网络实验设计实现了更准确的推断与更显著的效率提升。

        中国人民大学的朱利平教授带来了题为《支持向量机欠光滑和机器学习过拟合问题》的报告。朱教授分享了数据科学基础算法上的两项核心成果：一是针对支持向量机损失函数的非光滑问题，提出了创新的卷积光滑技术，在完美保持凸性的同时增强了光滑性，并在分布式大数据场景下成功设计出计算迅捷、逻辑透明、理论坚实的去中心化分布式算法；二是针对深度学习等机器学习算法易出现的过拟合顽疾，建立了一套普适性的过拟合评估一般性方法，为评估模型泛化性能提供了强有力的理论工具。

        北京交通大学的孔令臣教授分享了题为《保形预测与隐私保护探索》的最新研究。报告聚焦不确定性量化中的保形预测方法，围绕高维效率提升与隐私保护部署两个前沿挑战展开。为满足隐私保护的现实部署需求，报告首先提出差分保形预测，通过创新的非分割流程有效避免了传统方法中数据分割带来的效率损失，并借助差分隐私机制的稳定性继承了其有效性。在此基础上，报告进一步提出差分隐私保形预测（DPCP），将差分隐私训练与私有分位数校准深度结合，在端到端隐私保证下完成预测集校准。理论证明与实验表明，在相同的隐私预算下，DPCP比现有的私有分割方法能产生更紧凑、更精准的预测集。

        弗吉尼亚大学的王经铭教授以《Entrywise eigenvector analysis in low-rank models and applications》为题进行了分享。报告指出，网络、文本和基因表达等诸多领域的现代数据集普遍展现出“低秩信号加噪声”的结构，而在利用谱方法恢复隐藏信息的过程中，特征向量的分析起着决定性作用。报告系统讨论了低秩模型的逐项特征向量分析方法，并重点展示了该理论在网络模型成员估计和主题建模主题估计两项实际应用中的高效表现，证明了对特征向量的精确逐项控制能够有效指导最优程序的设计并提供严格的理论保证。

        最后，纽约大学的周文教授带来了题为《从协同进化信号到突变效应:统计校准的蛋白质接触图谱与适应度预测》的报告。报告指出，尽管广泛使用的蛋白质序列共进化方法在生物学实践中表现强大，但往往缺乏校准的不确定性和严格的理论保证。为此，周教授介绍了一个具有坚实统计学依据的工具包，将多序列比对这类高维、依赖的分类数据，成功转化为具有错误控制的原则性接触图谱，以及对突变效应的定量可靠预测。并开发了用于突变效应建模的Potts模型框架，通过稀疏组正则化和跨位点对权重引入稀缺性，并建立了估计参数的收敛速率。该方法在多个基准测试集上显著提高了突变适应度预测的准确性。

        本次“2026年bw·西汉姆联统计与数据科学青年学者论坛”的成功举办，不仅充分展示了统计学与数据科学领域在基础算法、高维理论及交叉应用上的最新前沿成果，也进一步深化了学院与海内外学术界的交流与合作。必威betway西汉姆将继续依托学科平台与多学科交叉优势，推动数据科学基础理论与前沿应用的研究发展，为相关领域的科学创新贡献力量。