2026年10月15日下午，中国科学院王启华教授应邀来我院开展以“Multi-task Dimension Reduction via Common Ambient Space”为主题的学术讲座。本次讲座在综合楼615会议室举行，由统计与数据科学学院张荣茂教授和蔡利副教授共同主持。
王启华，中国科学院数学与系统科学研究院研究员、博士生导师，国家杰出青年科学基金获得者，教育部长江学者奖励计划特聘教授，中国科学院“百人计划”入选者。曾在北京大学、香港大学任教，并先后访问加拿大、美国、德国及澳大利亚等10多所世界一流大学。主要从事复杂数据经验似然统计推断、缺失数据分析、高维数据统计分析、大规模数据分析等方面的研究，出版专著三部，在JRSSB、The Annals of Statistics、JASA及Biometrika等国际重要刊物发表论文150余篇，曾主持国家杰出青年科学基金项目、重点项目及多项面上项目。
王启华教授的讲座围绕共同环绕空间下的多任务降维方法展开。他指出，传统多任务学习通常假定各任务子空间存在共同交集，并据此共享信息，但任务数较多时该条件难以满足。此外，由于子空间由多个正交基张成，也难以直接比较基向量大小。为此，王教授把共同交集放宽为被同一低维环绕空间包含，提出近似环绕空间（ACAS）框架：只要求一部分任务的子空间落在环绕空间附近，其余任务允许偏离，并据此将任务相应区分为被环绕与离群两类，仅在前者共享信息以抑制负迁移。在模型估计方面，他采用投影距离度量空间之间的接近程度，并通过带惩罚的联合优化，同时估计环绕空间与各任务子空间，当惩罚参数取零时，该方法退化为局部估计（local估计）。在子空间被环绕空间精确包含的情形下，王教授进一步提出改进的CAS-DR方法，获得了更为精确的误差界。相关非渐近理论结果表明，被环绕任务的估计误差不高于局部估计方法的估计误差，离群任务的估计结果不受影响，同时能够以概率1正确识别真实的被环绕任务集合。模拟研究显示，随离群任务比例上升，基于共同交集的方法误差急剧增大，而环绕空间方法保持稳定，对环绕空间维数的选取也较为稳健。最后，王教授以北京12个国控点的空气质量数据为例，对每个站点的50个污染相关变量进行降维分析，验证了方法的有效性。
在互动交流环节，我院师生围绕数据预处理方法、算法计算复杂度，以及人工智能给相关统计方法带来的挑战等问题与王教授深入交流，王教授逐一耐心解答。最后，张荣茂教授对本次讲座进行总结，并向王启华教授的精彩分享以及现场师生的积极参与互动交流致以诚挚谢意。
文稿｜孙麒皓
