10月12日，第二届统计学与数据科学创新论坛暨第三届大数据统计学基础研讨会召开。

统计与大数据研究院院长朱利平主持本次论坛的开幕式。他表示，本次论坛邀请到了多位跨领域的专家学者进行精彩的学术报告，交流学术前沿问题，共同探讨统计学科的发展机遇与挑战。

复旦大学教授陈钊作了题为“The Yule-Walker Estimators for Functional Autogregressive Models”的报告。报告介绍了对经典自回归模型（AR）的扩展，提出了在希尔伯特空间中的ARH(p)模型。这一方法通过自协方差算子建立Yule-Walker方程，用于参数估计和未来观测的预测，并通过正则化方法解决逆问题，推导出一致的估计量和预测器。理论贡献包括预测器的中心极限定理，能够构建置信区间并进行统计推断，应用于可穿戴设备数据分析展示了模型在分类上的有效性。

北京应用物理与计算数学研究所研究员成娟作了题为“可压缩流体力学高精度拉格朗日方法”的报告。报告分享了可压缩流体力学中高精度拉格朗日方法的最新研究进展。拉格朗日方法因其自动追踪物质界面及高计算分辨率，被广泛应用于天体物理和惯性约束聚变的多介质流体模拟。她的报告重点介绍了该方法在提升流体计算精度和效率方面的创新。

首都师范大学教授蒋仁进作了题为“On the heat kernel on exterior domains and applications”的报告。报告分享了关于外部区域热核的研究，揭示了某些几何性质可以保证热核的良好行为。他还探讨了热核在不同应用领域中的重要性和实际应用，为理解热核在外部域中的行为提供了新的视角和工具。

中山大学教授凌青作了题为“Byzantine-Robust Distributed Online Learning: Taming Adversarial Participants in An Adversarial Environment”的报告。报告介绍了在拜占庭攻击下的分布式在线学习的研究。尽管当前一些稳健的聚合规则可以在一定程度上应对对抗性环境中的拜占庭攻击，但在线梯度下降算法的对抗性遗憾仍然只能达到线性界限。凌教授证明了这一结果的必然性，并提出了在环境不完全对抗的情况下，利用i.i.d.损失可以实现次线性随机遗憾的可能性。他还开发了拜占庭稳健的分布式在线动量算法，以达到次线性随机遗憾界限。

西安交通大学教授杨树森作了题为“联邦学习优化方法与应用”的报告。报告探讨了联邦学习的优化方法及其应用联邦学习能够解决数据隐私保护下的跨主体联合建模问题，但在广域网、数据异质性和差分隐私保护等场景中面临挑战。他介绍了团队在联邦优化算法设计和理论分析方面的进展，并展示了这些技术在电力、金融和政务等领域中的应用，推动数据要素的安全流通和智能建模。

湘潭大学教授杨银作了题为“星载SAR图像灵敏自定标方法及其稳定性分析”的报告。报告分享了星载SAR图像的灵敏自定标方法及其稳定性分析。由于基于距离-多普勒模型的自定标结果存在不足，他提出了一种灵敏的立体双重自定标方法（TPM），通过行列式和精度稳定因子（ASF）对图像数据进行过滤，并分析了卫星位置对定标误差的影响，进而确定了入射角和卫星位置在定标中的作用。以上演讲涵盖了流体力学、偏微分方程、分布式学习、联邦学习优化以及合成孔径雷达图像处理等多个交叉学科领域研究中的前沿成果。

西安交通大学教授孟德宇作了题为“Continuous Representation-Induced Regularization Methods for Multi-Dimensional Data Recovery”的报告。报告介绍了多维数据恢复中的连续表示引导正则化方法。传统正则化方法只能处理网格化数据，而他提出的连续函数表示方法可以表示无限实空间中的数据，提高了正则化方法的效率和准确性。应用包括图像处理、机器学习和计算机图形学中的多维数据恢复问题。

北京大学研究员邱宇谋作了题为“Debiased calibration estimation using generalized entropy in survey sampling”的报告。报告探讨了使用广义熵的去偏估计方法在抽样调查中的应用。他提出的框架以广义熵为目标函数，优化抽样中的校准加权，能够比传统方法更高效地生成校准权重，并展示了其在农作物调查数据中的应用。

上海交通大学副研究员马诗洋作了题为“Local genetic correlation via knockoffs removes confounding due to cross-trait assortative mating”的报告。报告介绍了LAVA-Knock方法，用于解决局部遗传相关性分析中的交叉性状择偶带来的混杂问题。通过生成模拟数据以保留局部和长距离连锁不平衡（LD），该方法显著减少了偏差，并在教育与智力等多个性状配对中验证了其有效性。

南方科技大学副研究员魏鸿鑫作了题为“On the probability value of deep classifier for Conformal prediction”的报告。报告讲解了深度分类器的概率值在符合性预测中的应用。他提出了排序自适应预测集（SAPS）方法，通过优化温度缩放的损失函数，提高深度分类器生成的概率值的预测效率，并在图像分类实验中验证了方法的有效性。

华东师范大学副教授王小舟作了题为“Robust distributed learning for classification”的报告。信息技术的发展带来了数据来源的多样化和大规模数据集，这促使我们探索分布式学习算法。然而在实践中，分布式系统可能会遭受攻击或出现异常行为，这使得基于无故障系统的分布式算法变得无效。讲座介绍了一些关于分类的鲁棒分布式学习的研究结果。

香港科技大学助理教授尤为作了题为“Pure exploration for dueling bandits”的报告。报告讨论了对抗性探索中纯探索的问题，特别是对决算法中的固定置信度设置。他提出了一种信息导向的选择规则，基于信息增益自适应选择候选对，提高了算法的效率。

香港中文大学研究助理教授朱慧晨作了题为“Hybrid Censored Quantile Regression Forest to Assess the Heterogeneous Effects”的报告。报告介绍了一种新的森林框架来评估时间事件结果的异质量化处理效应。他提出的混合删失量化回归森林（HCQRF）能够处理异质性和删失问题，并通过对结直肠癌临床试验数据的分析，展示了该方法的应用潜力。