7月14日下午，加拿大不列颠哥伦比亚大学（UBC）统计系国家一级讲座教授、加拿大皇家科学院院士、国际统计学会会士Jiahua Chen教授应邀做客华东师范大学“大师讲堂”，以《有限混合模型的拜占庭容错分布式学习》为题作学术报告。报告会由华东师范大学统计学院和科技处联合主办，系我校2025年“大师讲堂”系列学术报告第三十一讲。

Jiahua Chen教授是国际统计界有限混合模型研究的领军学者，是加拿大不列颠哥伦比亚大学（UBC）统计系国家一级讲座教授、加拿大皇家科学院院士。研究兴趣包括有限混合模型、经验似然、统计遗传学、抽样调查、变量选择、以及试验设计等多个统计研究领域，科研论文发表在国际统计学顶级期刊如JASA、JRSSB、Annals of Statistics、Biometrika、Statistica Sinica等。曾任泛华统计学会主席、加拿大统计杂志主编等职务。当选IMS和ASA fellow；2014年获加拿大统计学会最高奖--CRM-SSC统计学奖(该奖项由加拿大统计学会(SSC) 和蒙特利尔数学研究中心(CRM)联合主办，每年颁发给一位加拿大统计学家，以表彰他在获得博士学位后15年内对该学科的杰出贡献)；2016年获泛华统计协会杰出成就奖;2022年当选加拿大皇家科学院院士。

此次报告聚焦团队最新提出的距离过滤混合降维（DFMR）方法，针对分布式存储系统中标签切换导致的参数估计失效问题提出创新解决方案。报告指出，传统分而治之框架在有限混合模型中因标签任意排列失效，虽然后续提出的混合降维（MR）方法可调和标签不匹配，但对恶意输出缺乏抵御能力。DFMR作为MR的鲁棒扩展，通过计算本地估计的成对L²距离分布构建过滤机制，精准识别并剔除由数据污染或恶意攻击产生的异常值，在保留多数有效估计完整性的同时，实现对拜占庭失败的有效容错。理论证明显示，该方法在标准条件下达到最优收敛速率，渐近等价于全局最大似然估计；实验验证覆盖模拟数据集及真实医疗、金融场景，结果表明DFMR在敌对环境中仍能保持高可靠性。

Jiahua Chen院士的报告将分布式学习的理论方法与医疗数据聚合、电网异常检测等实际应用场景紧密结合，通过可视化距离分布图解等方式，将复杂的过滤机制转化为直观的科学分析框架。在提问环节，师生围绕“过滤阈值动态调整策略”“DFMR在电网异常检测中的具体部署路径”等问题展开深入探讨，现场学术互动热烈，充分展现了参会师生对前沿科学问题的敏锐洞察力。