10月26日下午，伊利诺伊大学周文心副教授应邀来我校开展以“如何稳健地融合多任务信息？”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王励励副教授主持。
周文心，现任伊利诺伊大学芝加哥分校信息与决策科学系副教授，此前曾任加州大学圣地亚哥分校数学系副教授。他的主要研究方向涵盖高维统计与稳健推断、分位数回归、期望短缺回归、非参数学习与现代机器学习方法，同时担任Journal of the Royal Statistical Society: Series B，Journal of the American Statistical Association等多个国际顶级统计期刊的副主编。
周文心副教授的报告围绕非参数多任务学习展开，系统介绍了多任务学习的基本思想、主要挑战与稳健估计方法。他首先回顾了多任务学习的基本思想，即整合多个相似数据集共同学习各自的函数模型，并指出它与仅关注目标任务的非对称迁移学习不同，多任务学习是对称的，每个任务同等重要。然而，当部分任务彼此不相关时，无差别的信息聚合反而可能降低估计性能，这一挑战又因任务异质性和协变量分布的差异而更加复杂。在此基础上，周副教授介绍了一种稳健多任务核脊回归方法，通过去偏、稳健聚合与自适应个性化等步骤，剥离任务特有异质性、减少不相关任务干扰，并以单任务估计器作为安全锚点。此外，他还结合风控等场景，介绍了该方法的应用，并说明了如何在再生核希尔伯特空间中建模非线性关系，以及如何通过正则化调节函数的光滑性。周副教授指出，该方法能适应任务间异质性，并保证各任务的收敛速率相较于单任务独立拟合至多损失对数因子，具有重要的理论意义和广泛的应用价值。
在前沿研究方面，周副教授介绍了该方法有限样本收敛率与极小极大下界的理论保证，他指出，协变量分布差异下的理论刻画等问题仍面临诸多挑战，是值得进一步深入探索的重要研究方向。
讲座尾声，周文心副教授与在场师生围绕多任务学习中的负迁移、稳健聚合、自适应个性化、再生核希尔伯特空间中的参数选择等问题展开了深入而热烈的交流讨论。最后，王励励副教授对本次讲座做总结发言，对周文心副教授带来的精彩前沿学术报告表示诚挚感谢，并感谢在场师生的积极参与和热烈互动。
文稿丨傅雅婷
