近日，统计学院多位博士研究生瞄准统计学、数据科学与人工智能交叉领域前沿难题，围绕复杂对象统计建模、非参数推断、高维数据降维、时序变点检测等方向开展研究，产出多项理论与算法创新成果，并陆续发表于统计学以及信息论与理论计算机科学领域顶级学术期刊。
1. 非欧结构数据的深度非线性降维表示学习
统计学院 2024 级在读博士研究生原航，与导师上海纽约大学王丹助理教授、导师华东师范大学於州教授合作研究，针对高维欧氏预测变量搭配一般度量空间随机对象响应变量的建模难题，开展深度非线性充分降维方法研究。研究提出全新 Fréchet 累积协方差度量准则，结合深度神经网络构建 FCCov‑Net 算法，实现对复杂对象低维充分特征的挖掘。在 JAFFE 人脸表情数据集测试中，该方法提取的二维、三维特征能够有效区分不同情绪类别，分类与 Fréchet 回归表现优于现有对比算法。该研究成果在线发表于统计学顶级期刊 Journal of the American Statistical Association.
原文链接: https://doi.org/10.1080/01621459.2026.2719917
2. 基于积分概率度量的深度非参数变点检测
统计学院2023 级在读博士研究生李云晨、徐顺拓，与导师於州教授、南开大学王光辉副教授合作，面向高维复杂分布下的非参数变点检测难题开展研究。融合积分概率度量与深度学习，构造聚合 CUSUM 目标函数，揭示了变点检测与两样本积分概率度量优化的理论关联；通过学习得到的评价函数生成一维表征，实现变点精准定位，并推导出变点估计的误差上界理论保障，方法可适配欧氏数据、正定矩阵、图像、图结构等多种数据模态。该研究成果在线发表于统计学顶级期刊 Biometrika.
原文链接：https://doi.org/10.1093/biomet/asag046
3. 基于深度自适应核函数的加权平均估计
统计学院2023 级在读博士研究生徐顺拓，与导师於州教授、钟琰副教授合作，针对小样本场景下有监督学习加权平均估计存在的性能局限，开展自适应核学习方法研究。利用神经网络构造广义自适应核函数，将模型权重拓展为数据驱动的非参数形式，提出 DeepKernel 方法；该方法兼容回归、分类任务，支持欧氏、非欧多种类型数据，借助模型集成可进一步提升预测效果，同时建立回归与分类任务下估计量的超额风险上界，实现对样本间相似度的有效刻画。该研究成果发表于信息论顶级期刊 IEEE Transactions on Information Theory.
原文链接：https://ieeexplore.ieee.org/abstract/document/11575658
4. 黎曼函数型数据的降维表示学习
统计学院 2024 届博士毕业生陈柏昱、2023 级在读博士生李云晨、2022 届博士毕业生应超，与导师於州教授合作，聚焦黎曼空间函数型自变量的统计建模痛点，开展函数型数据降维表征研究。提出 iRF‑WIRE、iRF‑WDR 两套降维算子，能够在因变量为一般度量空间元素的条件下估计降维子空间，并给出样本降维函数的收敛速度理论结果，可从球面函数、Wasserstein 空间函数等复杂函数型数据中高效提取降维表征。该研究成果在线发表于统计学顶级期刊 Journal of the American Statistical Association.
原文链接：https://doi.org/10.1080/01621459.2026.2624854
统计学院始终坚持 “立德树人” 教育方针，扎实推进 “卓越育人” 体系建设，致力于为学生营造良好的学术氛围和创新环境。学院积极拥抱人工智能新兴前沿领域，面向人工智能数理基础与应用落地，引领学生勇攀高峰，进一步提升统计学方法论创新素养，矢志不移为国家培养人工智能时代引领未来的创新型统计学人才。
博士研究生作者简介：
原航，统计学院 2024 级在读博士生，参加国家人工智能研究院（北京中关村学院）联合培养项目，主要研究方向为多模态表征学习、大模型思维链与具身智能，相关研究成果发表于 Journal of the American Statistical Association, CVPR Findings, ACM MM, EMNLP Findings, EMNLP。
李云晨，统计学院 2023 级在读博士生，主要研究方向是深度生成模型，变点检测以及非欧数据分析。相关研究成果发表于 Biometrika, Journal of the American Statistical Association, Journal of Systems Science & Complexity, AAAI, ICML。
徐顺拓，统计学院 2023 级在读博士生，主要研究方向为表征学习、深度生成模型、迁移学习。相关研究成果发表于 Biometrika, Journal of the Royal Statistical Society Series B, Annals of Applied Statistics, IEEE Transactions on Information Theory, AAAI。
陈柏昱，统计学院 2024 届博士毕业生，现任中国科学技术大学管理学院特任副研究员，主要研究方向为非欧数据统计学习理论和方法。相关研究成果发表于 Journal of the American Statistical Association, Statistica Sinica, Statistics and Computing。
应超，统计学院 2022 届博士毕业生，美国威斯康星大学麦迪逊分校以及香港理工大学博士后，拟任东南大学统计与数据科学学院助理教授，主要研究方向为降维表征学习、多源数据融合。相关研究成果发表于 Biometrika, Journal of the American Statistical Association (2019, 2026), Biometrics, Technometrics, ICML。