2026年4月15日上午，华东师范大学刘玉坤教授、复旦大学管理学院蒋斐宇副教授受邀访问中国人民大学。刘玉坤教授开展了主题为“Conformal Prediction Beyond the Horizon: Distribution-Free Inference for Policy Evaluation”的讲座，蒋斐宇副教授开展了主题为“Contextual Dynamic Pricing: Algorithms, Optimality, and Local Differential Privacy Constraints”。本次讲座由统计与大数据研究院张政长聘副教授主持。

张思宇 统计与大数据研究院2024级博士研究生：
刘玉坤教授的报告让我对强化学习中的不确定性量化有了更具体的认识。传统的强化学习更多关注策略学习和价值估计，而本次讲座强调，在医疗、金融、自动驾驶等高风险场景中，仅给出一个点估计远远不够，还需要对策略回报构造可靠的预测区间。刘老师将分布强化学习与共形预测结合起来，讨论了无限时域策略评估中未观测未来回报、策略分布偏移和时序依赖等困难，并通过伪回报构造、经验回放和加权校准等方法加以处理。通过这次报告，我认识到共形预测不仅是回归问题中的工具，也可以拓展到更复杂的序列决策问题中，为强化学习的可靠应用提供统计保障。

司悦言 统计与大数据研究院2024级博士研究生：
蒋斐宇副教授的报告让我对动态定价问题中的探索与利用权衡有了更清晰的理解。蒋老师从在线学习和多臂老虎机问题出发，引出企业面对连续到达消费者时如何根据用户特征进行定价决策，并在长期收益中控制遗憾。令我印象较深的是，蒋老师不仅讨论了非隐私约束下的最优算法，还进一步考虑了本地差分隐私约束下的数据可用性问题。在消费者不愿提供原始信息的情形下，企业只能基于脱敏数据学习需求模型，这会带来额外的隐私成本。本次讲座展示了动态定价、统计学习和隐私保护之间的紧密联系，也让我认识到，现代数据决策问题不仅要追求算法效率，还需要同时考虑用户隐私与实际可实施性。