统计与数据科学学院 毛萍 报道
2026年6月30日上午，南京审计大学统计与数据科学学院系列学术讲座在崇真楼110会议室顺利举办。本次活动特邀四位来自国内外高校的专家学者作专题学术报告，学院相关专业师生到场参会聆听，讲座由我院周兴才教授主持。
当日上午9:30，首场讲座由加拿大阿尔伯塔大学孔令龙教授主讲，报告题目为《A Bayesian Nonparametric Framework for Private, Fair, and Balanced Tabular Data Synthesis》。孔令龙教授聚焦数据合成中的隐私保护与公平性难题指出，数据合成的核心挑战在于保障个体隐私与公平，尤其在数据稀缺场景下，代表性不足的群体易因数据建模的固有偏差被进一步边缘化。其团队将条件生成器融入贝叶斯非参数学习框架，构建了兼具隐私保护与公平性感知的生成模型，通过最小化生成结果与受保护属性间的互信息施加公平性约束。与现有方法多聚焦二值敏感属性不同，该框架可无缝拓展至非二值属性场景，同时为类别不平衡问题提供了系统的解决方案，确保弱势受保护群体得到充分代表。该方法为伦理合规的公平数据生成提供了可扩展的隐私保护方案，并通过理论保证与大量敏感实证实验获得了验证。
上午10:10，加拿大多伦多大学孔德含教授带来题为《Successive classification learning for estimating quantile optimal treatment regimes》的学术报告。孔德含教授介绍，分位数最优治疗方案旨在为患者分配治疗策略，以最大化结果的指定分位数；相比以平均结果为目标的方案，低分位数下的分位数最优方案能有效改善弱势患者的结果，更具公平性。其团队提出全新的估计方法，将分位数最优治疗方案估计问题重构为连续分类任务，通过序列训练分类器求解，后续分类器基于前序分类器的输出构建，可充分利用机器学习技术提升计算效率，适配复杂决策边界场景。针对离散结局下现有方法拓展后易出现不一致、低效性的问题，研究进一步引入平滑技术，将离散结局映射为连续代理结果，实现了稳定有效的估计。该方法具备扎实的理论保障，在综合模拟实验与真实数据分析中均表现出优越性能。
上午11:00，美国康涅狄格大学周颖助理教授与云南大学谢锦瀚副教授先后带来两场专题报告。周颖助理教授以《Learning from Hidden Interventions: Proxy-Based Causal Inference and Offline Reinforcement Learning》为题，聚焦隐藏干预场景下的因果推断与离线强化学习问题：在生物医学与观察性研究中，核心干预变量往往无法直接观测，真实治疗或行动可能隐藏，仅能获取带噪声的替代测量或代理变量，若直接将观测到的代理变量视作真实干预，标准因果推断和离线强化学习方法会产生估计偏差。周颖助理教授介绍了两项相关研究框架：一是隐藏治疗下的因果推断方法，借助替代变量和代理变量实现因果效应的可识别性，无需验证数据即可得到具备多重稳健性的半参数高效估计量；二是隐藏行动下的离线强化学习方法，将下一状态变量作为未观测行动的代理，提出基于影响函数的估计量实现稳健的离线策略评估。两项研究共同验证了基于代理变量的识别与稳健半参数推断的可行性，可在真实干预不可观测但有信息性代理变量可用的场景下实现可靠的因果分析与策略评估，目前已应用于基于ADNI数据的阿尔茨海默病研究和基于MIMIC-II的脓毒症治疗评估等真实医学场景。
谢锦瀚副教授则围绕流式数据场景下的在线差分隐私统计推断展开，提出了一套面向实时环境、基于优化的通用隐私保护统计推断框架。针对数据按序到达的在线场景，研究首先构建了局部差分隐私约束下的带噪声随机梯度下降算法；进一步拓展至在线联邦学习场景，覆盖同步与异步两种模式，适配数据分布式存储且随时间动态生成的场景。所提算法为单次遍历模式，仅依赖当前数据与前序估计值，有效降低了计算的时间与空间复杂度。为实现在线场景下的隐私保护置信区间构造，研究提出私有插件法与随机缩放法两种方案，并严格证明了估计量的收敛速率与泛函中心极限定理，为在线推断工具奠定了坚实的理论基础，数值实验也验证了方法在有限样本下的有效性与可靠性。
本次系列讲座内容覆盖数据隐私公平、最优治疗方案、流式数据统计推断、因果推断与强化学习等多个统计与数据科学前沿方向，兼具理论深度与应用价值。讲座现场学术氛围浓厚，参会师生围绕方法细节、应用场景、拓展方向等内容与各位报告嘉宾展开了深入的交流与探讨。与会师生纷纷表示，本次讲座紧跟学科前沿，有效拓宽了学术视野，深化了对相关领域研究的理解，收获颇丰。
