9月13日，统计与大数据研究院邀请了3位专家学者来院举办学术讲座。上午，中国科学院深圳先进技术研究院副研究员王如心做了主题为“Diffusion Models Respond the Duty Call from Causal Discovery”的学术讲座，上海财经大学统计与管理学院助理研究员伍书缘做了主题为“Network EM Algorithm for Gaussian Mixture Model in Decentralized Federated Learning”的学术讲座。下午，北京师范大学教授郭旭做了主题为“Statistical inference for high-dimensional convoluted rank regression”的学术讲座。

王如心的研究提出了一种新颖的连续优化框架，旨在解决逆问题的不稳定性并确保解决方案的无环性。特别值得一提的是，讲座介绍了一种精心设计的偏差-偏移正则化器，通过估计因果发现（CD）逆问题中的未知变量，显著提高了DAG估计的准确性。此外，讲座揭示了该优化目标与去噪扩散概率模型（DDPMs）训练目标之间的直接联系，这一发现不仅加深了我们对DDPMs的理解，还促进了D^3PM模型的诞生。D^3PM模型不仅提升了DAG估计的稳定性，还赋予了我们生成未观测数据的能力，为因果推断和数据生成领域带来了新的突破。

伍书缘全面研究了在分散式联邦学习框架内，针对高斯混合模型的各种网络EM（期望最大化）算法。他们的理论调查揭示了直接将经典的分散式监督学习方法扩展到EM算法，在客户端之间存在异质数据时，表现出较差的估计准确性，并且在高斯组分分离不佳时，数值上无法收敛。为了解决这些问题，讲座提出了两种新颖的解决方案。首先，为了处理异质数据，引入了一个动量网络EM（MNEM）算法，该算法使用动量参数结合当前和历史估计器的信息。其次，为了应对高斯组分分离不佳的挑战，开发了一种半监督MNEM（semi-MNEM）算法，该算法利用部分标记的数据。严格的理论分析表明，当混合组分良好或适度分离时，MNEM可以实现与全局估计器相当的统计效率。此外，semi-MNEM估计器即使在分离不佳的情况下，也能提高MNEM算法的收敛速度和估计准确性。他们进行了广泛的模拟和真实数据分析，以证实理论发现。

郭旭探讨了高维卷积秩回归在统计推断方面的挑战与进展。面对排名损失函数的非光滑性带来的计算难题，讲座介绍了一种新的高维卷积秩回归估计器，并在较弱的预测变量条件下建立了其估计误差界限。进一步地，讲座提出了一种去偏估计器，并为其提供了Bahadur表示。此外，讲座还推导出了去偏估计器最大偏差的高维高斯近似，这使得我们能够构建同时置信区间。为了实现这些方法，讲座提出了一种新颖的自举程序，并验证了其理论有效性。最后，通过模拟和真实数据分析，展示了方法的优势。

现场师生受益良多，对嘉宾们的精彩讲座表示感谢。统计与大数据研究院今后将继续邀请专家学者开展讲座，不断拓宽学术视野。