信息来源：中国人民大学统计与大数据研究院 发布日期：2026年4月16日

在小说阅读器读本章去阅读在小说阅读器中沉浸阅读       2026年4月11日，全国工业统计学教学研究会青年统计学家协会2026年年会在西南财经大学柳林校区（成都）举行。会议由全国工业统计学教学研究会青年统计学家协会主办，西南财经大学统计与数据科学学院、统计交叉创新研究院、数据科学与商业智能联合实验室承办，设置20余个平行分会场，并举办首届“茆诗松统计教育博士生论坛”，汇聚统计学、数据科学及相关领域青年学者和优秀博士生开展深入交流。

中国人民大学共有7名博士生成功入选博士生论坛并荣获travel award，入选人数位列各入选单位并列第一， 其中统计与大数据研究院入选5位同学。详细入选名单见链接：茆诗松统计教育博士生论坛入选名单。他们围绕前沿理论、方法创新与应用研究进行学术展示，充分展现了人大统计青年学子扎实的科研素养和良好的学术风貌。

统计与大数据研究院2022级博士生魏澜，主要研究方向为符合性预测、函数型数据、高维数据分析等。

报告题目：Conformal Prediction method on non-informative interval-censored data using Random Sample

论文概述：聚焦含有删失区间（Censored Intervals）数据集的符合性预测（Conformal Prediction）问题。针对区间删失数据不确定性分析以及符合性预测在删失数据中应用的两大研究空白，提出一种创新的不确定性量化方法——基于随机抽样的区间数据符合性预测法（RSCPI）。该方法通过在观测区间内进行随机抽样来逼近真实值，有效解决了不可观测变量不符合度量定义的难题。理论分析表明，RSCPI 生成的预测区间能够保持极接近目标置信水平 1-α 的覆盖概率。模拟实验与真实数据集验证显示，RSCPI 在确保高覆盖精度与合理的区间长度方面表现优异，为区间删失数据的不确定性量化提供了切实可行的解决方案。

统计与大数据研究院2023级博士生王涛，主要研究方向为最优传输、非参统计、3D建模等。个人主页：https://taowang0105.github.io/

报告题目：HiMAP: Hilbert Mass-Aligned Parameterization for Multivariate Barycenters and Fre ́chet Regression

论文概述：分布型数据能够比均值或有限维特征更完整地刻画复杂对象，因此围绕多元分布的重心计算与 Fréchet 回归在统计学习中具有重要意义。但在多元情形下，Wasserstein 空间中的重心计算往往代价较高，且在 Fréchet 回归常见的仿射权重条件下通常不适定，现有方法也较难同时兼顾理论严谨性与计算效率。针对这一问题，本文提出 HiMAP 方法，通过构造质量对齐的多元分位表示，将复杂的多元分布比较与平均转化为可显式处理的线性运算，从而实现多元分布重心与 Fréchet 回归的高效估计。理论分析证明了该方法的有效性及收敛性质，数值实验和真实数据分析进一步表明，HiMAP 在保证估计效果的同时可显著提升计算效率。

统计与大数据研究院2023级博士生杜承朔，主要研究方向为最优传输、非参统计、大模型等。

报告题目：Distributional Kernel Regression for Three-Dimensional Relative Humidity Forecasting Using ERA5

论文概述：相对湿度场是刻画大气对流、降水形成与水汽输送过程的重要变量，但其三维时空演化同时包含整体强度变化与空间重分配，且受非线性、垂直耦合和季风环流共同影响，因此在统计建模上具有较大挑战。针对这一问题，本文提出一种面向三维相对湿度场预测的分布型核回归框架，将每月的三维相对湿度场分解为标量强度部分与归一化空间分布部分，其中强度部分由 SARIMA 模型刻画季节性和时间依赖，分布部分则在 Wasserstein 空间中通过核回归建模其非线性演化。同时进一步提出适用于分布值时间序列的一阶与二阶平稳性检验，用以验证该预测框架的适用前提，将方法构建、统计检验与实际应用有机结合。理论分析证明了所提 Wasserstein 核回归估计量在依赖过程中具有渐近一致性；基于 ERA5 东亚区域三维相对湿度数据的实证结果表明，该方法在预测精度上优于现有统计与深度学习基线，并能够通过传输映射刻画湿度场的季节性迁移与空间重分配，为复杂气象场的统计预测与物理解释提供统一框架。

统计与大数据研究院2023级博士生欧阳夏雪，主要研究方向为子抽样，特征降维，最优传输等。

报告题目：An adaptive subsampling method for large-sample feature screening

论文概述： 随着大样本、高维数据日益普遍，传统非线性特征筛选方法面临突出的计算瓶颈。针对这一问题，研究围绕 Chatterjee 秩相关系数构建高效特征筛选方法，将计算复杂度由近线性量级进一步降至亚线性量级。首先，在经典筛选框架中，引入Chatterjee 秩相关系数作为边际度量，更好地刻画一般非线性依赖关系。进一步，受鉴多臂老虎机中的最佳臂识别问题的启发，将特征视为“臂”、边际秩相关视为“奖励”，结合中位淘汰策略与自适应子抽样函数，动态分配计算资源，在保证筛选有效性的同时显著提升计算效率。理论上，方法具备确定筛选性质和复杂度保证；实验结果表明，所提方法在保持较高筛选成功率的同时，能够明显降低计算时间。从整体上来说，该工作为大规模特征筛选提供了兼顾统计精度与计算效率的新思路。

统计与大数据研究院2024级博士生林俊一，主要研究方向为最优运输、度量学习、生成模型等。

报告题目：QDOT: An Efficient Quantile-weighted Distance Metric for Geometric Comparison via Optimal Transport

论文概述：数据分布在异构度量空间中的差异度量是一个基础性挑战。现有方法通常依赖几何结构，通过将分布嵌入到一个共享空间中来解决这一问题。但这类方法存在根本性局限，包括几何信息的丢失、表示计算上不可处理，以及无法保留关键的结构特征。本文提出了Quantile-weighted Distance Optimal Transport（QDOT），一种新颖且高效的几何比较度量。QDOT 通过在欧氏空间中利用距离分位数作为结构权重，构造出一族具有等距不变性的距离表示，从而在保留关键几何特征的同时，使最优传输耦合能够在公共空间中进行。本文证明了在较弱条件下，QDOT 是一个定义良好的度量，其收敛速度不慢于经典的 Wasserstein 距离。此外，还提出了一个积分版本，能搞达到关于分布样本的近似线性复杂度。大量实验表明，我们的方法在多种应用中都取得了强劲表现，包括跨空间比较、迁移学习和分子生成，并且在若干关键指标上达到了当前最优结果。