在半监督框架下，我们研究了高维线性模型中的单个或低维参数进行统计推断问题，其中数据集是一个相对较小的标记块缺失数据集和一个较大的未标记数据集的组合。我们提出了处理半监督分块缺失数据的张量投影方法，所提出的方法同时利用了标记数据和非标记数据，而不需对缺失观测数据进行任何估算或删除，大大提高数据挖掘的效率。在正则条件下，建立了估计的渐近特性。还研究了低维系数的假设检验等统计推断问题。为了检验理论结果，还进行了大量模拟，说明所提出方法的有效性。该方法在阿尔茨海默病神经影像数据上进行了评估，取得有指导意义的结果。统计学院周勇教授团队相关研究成果发表在机器学习领域顶级期刊《Journal of Machine Learning Research》。
