2022年12月28-29日，为促进数学优化、统计与学习等领域的融通共进，由中国运筹学会数学规划分会、中国现场统计研究会、北京应用统计学会和北京交通大学、北京工业大学、首都师范大学、中国人民大学、中国科学院数学与系统科学研究院等联合主办的“第七届统计优化与学习国际研讨会”采用线上方式成功举办。

    12月28日上午，举办线上统计优化与学习国际研讨会开幕式。出席开幕式的有北京交通大学副校长赵鹏教授、中国现场统计学会理事长郭建华教授、中国运筹学会理事长戴彧虹研究员、香港理工大学陈小君教授、香港理工大学黄坚教授、宾夕法尼亚州立大学帕克分校李润泽教授、新加坡国立大学Kim-Chuan Toh教授、帝国理工学院Geoffrey Ye Li教授、曼尼托巴大学王力群教授、明尼苏达大学杨宇红教授、明尼苏达大学邹辉教授、哈佛大学柯峥教授、北京师范大学朱力行教授、北京交通大学修乃华教授、北京应用统计学会会长崔恒建教授、香港数学会会长孙德锋教授、数学规划分会理事长徐大川教授等。会议开幕式由北京交通大学数学与统计学院于永光院长主持。

图1 大会开幕式合影

    北京交通大学副校长赵鹏教授向与会的专家学者、同仁和同学们表示热烈的欢迎，对可以承办本次会议表示倍感荣幸。赵鹏教授介绍了北京交通大学的悠久历史和以交通为核心的学科建设，并对数学与统计学院的背景与学科作了介绍，指出本次论研讨会是一场高水平、高质量的学术盛宴。中国现场统计学会理事长郭建华教授简要介绍了学会的历史背景，阐述了统计学与运筹学之间的密切联系，介绍了统计学与运筹学等学科的交叉研究领域的前沿和热点问题，强调了多学科融合的重要性。并对北京交通大学数学与统计学院承办研讨会表示感谢，提出共同为推进统计学与运筹学等学科的交叉融合与发展而不懈努力。中国运筹学会理事长戴彧虹研究员强调了举办此次统计优化与学习国际研讨会的宗旨，为统计学和运筹学等学科的青年学者提供高水平的学术分享平台，促进彼此之间的交流与合作，集中展现大数据时代下统计学与运筹学的学科前沿与发展动态，他希望通过本次研讨会能够更好地促进运筹学理论与应用的发展，共同推动我国运筹学事业向更高的水平迈进。

 

图2 赵鹏教授（左）、郭建华教授（中）、戴彧虹教授（右）作开幕式致辞

    12月28日上午，大会邀请了2013年中国国家自然科学二等奖和2000年德国洪堡研究奖获得者、国际著名统计学家、北京师范大学朱力行教授，介绍了张量数据中的多变点检测方法。提出了两个新的标准来检测张量数据中的变化结构，利用自适应岭函数的比值构造两个信号统计量增强检测能力，并通过数值实验与真实数据验证了方法的可行性。宾夕法尼亚州立大学帕克分校李润泽教授是2017年国际科学院杰出成就奖和2012年联合国世界气象组织格比尔木姆国际奖获得者、国际著名统计学家。他介绍了高维均值向量的投影检验，该方法通过求解二次规划问题得到最优投影方向估计，在此基础上设计了线式投影检验，并通过数值实验证明了本方法比其它检测方法更有效。香港理工大学黄坚教授提出了一种基于深度学习神经网络学习一般回归函数的WGD方法，WGD方法可以学习给定预测值的响应的条件均值或条件分位数函数，并通过大量数值实验证明了WGD方法的优势。哈佛大学柯峥助理教授提出了一种基于SVD的主题模型估计方法。该方法仅从数据矩阵的几个前导奇异向量构建主题矩阵的估计，在大规模语料库的内存使用和计算成本方面具有很大优势，使用美联社新闻文章语料库和统计论文摘要语料库进行实验，展示了模型收敛速度。阿尔伯塔大学孔令龙教授提出了深度RL勘探方法和深度RL的阻尼Anderson混合。建立了Anderson混合方法与拟牛顿方法之间的联系，证明了Anderson混合方法使策略迭代方案的收敛半径增加了一个额外的收缩因子，并提出了一种稳定策略。明尼苏达大学双城分校张嘉伟博士设计了一种分类学习的拟合优度评估工具——BAGofT方法。该方法不局限于特定的参数分类模型，具有更广的适用范围。通过数值实验验证了BAGofT方法在测试参数分类模型时的优势。

图3 朱力行教授、李润泽教授、黄坚教授、柯峥助理教授、孔令龙教授、张嘉伟博士作大会报告

    12月28日下午，大会邀请了香港理工大学大数据分析中心实验室主任陈小君教授讨论了机器学习和博弈中的一类非光滑非凸非凹最小最大问题，利用方向导数建立了局部极大极小点的最优性条件并将这些条件简化。最终将理论结果应用于对抗网络(GANs)。首都师范大学崔恒建教授介绍了对抗性机器学习中基于稳健马氏距离估计的异常样本检测，提出了一种基于稳健马氏距离估计(RMD)和预训练卷积神经网络模型的异常样本检测方法，通过数值实验证明了方法的有效性和稳健性。东北师范大学郑术蓉教授提出了一种ACT方法来确定高维因子模型中的公共因子数量，并根据最小信号强度和最佳阈值建立了所提出的ACT方法的最优性。通过仿真实验证明ACT方法优于一般方法。南安普顿大学郑超助理教授介绍了多变点检测的惩罚成本方法的一致性，建立了一个惩罚成本方法的通用框架；将所提出的框架应用于不同的多变点问题，从而获得了惩罚选择的理论结果以及相应的变点数量及其位置的一致估计。华东师范大学於州教授利用随机森林与深度神经网络构建了一种混合回归预测模型。通过结合随机森林的局部建模能力和神经网络的全局建模特点，显著提高了原始神经网络的性能。

图4 陈小君教授、崔恒建教授、郑术蓉教授、

郑超助理教授、於州教授作大会报告

    12月29日上午，大会邀请了帝国理工学院Geoffrey Ye Li教授，介绍了联邦学习(FL)的基本工作原理，研究了在各种通信失真下情况下FL的收敛性能，使用inexact ADMM、 Byzantine robust FL和去中心化FL来实现FL的收敛。明尼苏达大学杨宇红教授讨论了如何从信息论的角度看待传统统计方法，根据模型选择和极小极大理论，探讨最佳数据压缩和信息量化框架的统计影响。新加坡国立大学Kim-Chuan Toh教授介绍了正则化平方根回归问题的分布稳健与快速计算。证明了惩罚函数是简单范数与半范数之和的平方根正则化模型都可以表示成最小二乘问题的分布鲁棒优化(DRO)。设计了一种近端对偶半光滑Newton算法并通过大量数值实验验证了算法的高效性。香港理工大学袁雁城助理教授介绍了求解Waterstone Barycenter问题的高效HPR算法，提出了一种具有线性时间复杂度的方法求解HPR算法子问题，并使用真实数据进行数值实验验证了HPR算法在求解大规模WBP时具有优越的性能。明尼苏达大学崔莹助理教授讨论了双参数非线性优化问题的值函数的一阶变分性质，为随机梯度下降法求解复杂层次优化问题提供了理论依据。佛罗里达大学苏之华副教授报告了多元线性回归中的响应变量选择。将响应划分为动态响应、辅助响应和静态响应，设计出了识别这些响应变量的算法。在大样本和高维小样本情况下，建立了变量选择的一致性和估计量的渐近性质，并使用真实数据验证了算法的有效性。

图5 Geoffrey Ye Li教授、杨宇红教授、Kim-Chuan Toh教授、袁雁城助理教授、崔莹助理教授、苏之华副教授

    12月29日下午我们开设了青年学者论坛，邀请了北京大学林宙辰教授介绍了优化诱导平衡网络(OptEq)，通过改变OptEq的架构和将信息合并到不动点迭代把先验属性引入OptEq的平衡点，从而使OptEq优于一般模型。复旦大学郦旭东副教授讨论了嵌入流形优化和商空间流形优化之间的联系。结果表明在嵌入几何和商几何条件下，黎曼一阶不动点、黎曼二阶不动点和固定秩矩阵优化的严格鞍点是等价的。北京交通大学罗自炎教授报告了仿射流形低秩矩阵优化的法锥相交规则及最优性分析，建立了Fréchet法锥与rank-MOA可行集的相交规则，在一阶最优性条件下分析了rank-MOA的F不动点与不动点与局部/全局最小值的关系。通过rank-MOA的两个应用验证了提出的最优性分析。中国人民大学陈灿贻博士汇报了超高维稀疏情况下的分布式复合分位数回归，将复合分位数回归纳入最小二乘框架，并提出了一种基于近似Newton法的分布式算法，通过数值实验验证了算法的高效性。首都师范大学王冠鹏博士提出一个基于样本特征值方差变化来正确估计高维主成分分析中显著成分的数量的方差准则，通过数值模拟证明该准则比AIC和BIC准则具有更高的模型选择精度。北京工业大学杨博博士针对不确定系统的分散控制问题提出了一种加速松弛多块近端ADMM算法，给出了松弛M\_PADMM与广义近点算法(PPA)的等价性，并结合Halpern迭代法提出了一种新的RM\_PADMM加速算法，通过数值实验验证了算法的有效性。北京交通大学李梅博士报告了隐私保护的去中心化学习，提出了一种基于KM迭代方法的通用差分隐私学习框架(DP-KM)来处理分布式数据，证明了DP-KM算法的稳定性与泛化性，通过数值实验验证了算法的优越性。

图6 林宙辰教授、郦旭东副教授、罗自炎教授、陈灿贻博士、王冠鹏博士、杨博博士、李梅博士

    12月29日下午，2022年统计优化与学习国际研讨会圆满结束，在线上举行简短的闭幕式。中国运筹学会数学规划分会理事长徐大川教授、中国人民大学统计与大数据研究院院长朱利平教授和北京交通大学计算机与信息技术学院副院长景丽萍教授分别致辞。闭幕式由北京交通大学孔令臣教授主持。中国运筹学会数学规划分会理事长徐大川教授对本次会议的圆满结束表示热烈的祝贺，对会议的组织方给与了高度的肯定与鼓励，介绍了初办会议的宗旨，希望研讨会可以为各学科的融合起到促进作用。朱利平教授对这次会议的报告人表示感谢，在报告过程中,与会代表对各自感兴趣的课题积极踊跃提问并进行了热烈的讨论，学术气氛十分活跃，肯定了这次会议非常成功。景丽萍教授对统计与优化领域各位专家学者的支持表示衷心的感谢，阐述了统计、优化与机器学习融合的重要性，肯定了本次会议为广大学者提供了学术交流平台。

图7徐大川教授（左）、朱利平教授（中）、景丽萍教授（右）作闭幕式致辞

    此次研讨会参加此次学术盛会的有来自英国、美国、加拿大、新加坡等国家和地区，以及全国高校和研究机构的学者，每场报告在线人数均超过130人，最高达200人。第七届统计优化与学习国际研讨会为来自世界不同地区的高校和研究机构开展统计、优化以及机器学习领域的学者提供了一个科研交流和学习的平台，围绕统计学与运筹学等学科的交叉研究领域的前沿和热点问题，如强化学习，对抗学习，分布式学习及稳健估计等问题进行深入探讨，交流最新的研究成果、应用进展以及社会需求，推进多个学科的交叉融合与发展。