2024年6月21日，印第安纳-普渡联合大学Honglang Wang教授应邀来我校开展以“Dominant-Set Based Clustering For Functional Data”为主题的学术讲座。本次讲座在综合楼644举行，由统计与数学学院蔡利教授主持。

Honglang Wang博士是印第安纳大学-普渡大学印第安纳波利斯分校（IUPUI）数学科学系统计学副教授。他于2015年在密歇根州立大学获得统计学博士学位。他的研究兴趣集中在纵向和函数数据的统计分析、高维统计推断及其应用、因果推理、机器学习/深度学习、非参数统计、经验似然方法及其应用以及统计遗传学/基因组学。

在本讲座中，Honglang Wang教授讲解的主题是: Dominant-Set Based Clustering For Functional Data。他首先介绍到这种聚类是利用图论的概念对数据进行顺序分区，从而有最大化聚类内相似性，这与现有的K均值聚类、集聚分层聚类和谱聚类等常见方法不同。

其次，Honglang Wang教授讲解了一种惩罚优化框架下的分层双分区过程，即能够通过最大化所得两个聚类的模块化来选择调优参数。特别地，Wang教授提到基于显性集的分层聚类方法适用于函数式数据聚类，并且能灵活选择曲线之间的相似度量。此外，它不仅对不平衡组具有鲁棒性，而且对异常值也具有鲁棒性，这克服了许多现有聚类方法的局限性。

随后，Honglang Wang教授进一步提出了一种彻底的半监督聚类方法，他表示该方法是通过模块化最大化来学习指标，而不是从数据的标记部分中获取相似性候选指标的线性组合。并且在执行中，它是模块化和最大化调整的基于分层显性集的聚类。Wang教授所提出的算法有着不仅能学习全局指标，还能学习每个集群的单个指标的优点，这是一种通用的聚类方法，它允许使用重叠集群进行创新的集群，非常适用于功能数据。功能数据在本质上包含用于比较曲线的各种指标。最后，Wang教授使用模拟研究和真实数据应用的实证研究，向观众证明了该方法的优势。

在讲座的最后，老师同学们围绕数据分类要求、相似度等相关问题向Honglang Wang教授进行提问，Honglang Wang教授热情地进行了细致的回答。蔡利教授对此次讲座发表总结并对Honglang Wang教授的到来以及精彩分享表达了诚挚的感谢。