学术交流
2018概率统计及其应用系列报告之一

信息来源:暂无 发布日期: 2018-01-04浏览次数:

报告题目一: 带检测错误的阵列设计

: 李启寨 研究员中国科学院数学与系统科学研究院

报告时间: 201815()  15:00-15:35

报告地点: 安徽大学磬苑校区数学科学学院H306

报告摘要:

Pooled testing is useful to identify positive specimens for large scale screening. Matrix pooling is one of the commonly used algorithms. In this work, we investigate the properties of matrix pooling and reveal that the efficiency of matrix pooling is related with the magnitude of overlapping among groups. Based on this property, we develop a new design to further improve the efficiency while taking into account of testing error. The efficiency pooling sensitivity and specificity of this algorithm are explicitly derived and verified through plasmode simulation of detecting acute human immunodeciency virus among patients who were suspected to have malaria in rural Ugandan. We show that the new design outperforms matrix pooling in efficiency while retain the pooling sensitivity and specificity.

 

报告题目二: Test on stochastic block model: local smoothing and extreme value theory

: 孔新兵 教授(南京审计大学统计科学与大数据研究院)

报告时间: 201815(周五)  15:35-16:10

报告地点: 安徽大学磬苑校区数学科学学院H306

报告摘要:

The stochastic block model is widely used in modeling the community structures in network data. In this paper, to detect community structure change, we propose a two-sample test for the stochastic block model with two observed adjacency matrices. The test statistic is related to the $l_{\infty}$ norm of contrast matrices constructed by smoothing the adjacency matrices in local neighborhoods. Under the null hypothesis that the two stochastic block models remain the same, the test statistic converges to the type I extreme value distribution, and otherwise, it explodes fast and the divergence rate could even reach n in the strong signal case where n is the size of the network, guaranteeing high detection power. Motivated by the construction of the two-sample test statistic, and to obtain a consistent prior estimate of the number of communities, we present a new sequential testing procedure, based on the locally smoothed adjacency matrix and the extreme value theory. This method is simple to use and serves as an alternative approach to the novel one in Lei (2016) using random matrix theory.

报告题目三: Overview of feature screening for ultrahigh-dimensional data

: 钟威  教授(厦门大学王亚南经济研究院和经济学院统计系教授、博导)

报告时间: 201815()  16:20-16:55

报告地点: 安徽大学磬苑校区数学科学学院H306

报告摘要:

High-dimensional data have frequently been collected in many scientific areas including genomewide association study, biomedical imaging, tomography, tumor classifications, and finance. Analysis of high dimensional data poses many challenges for statisticians. Feature selection and variable selection are fundamental for high-dimensional data analysis. The sparsity principle, which assumes that only a small number of predictors contribute to the response, is frequently adopted and deemed useful in the analysis of high-dimensional data. Following this general principle, a large number of variable selection approaches via penalized least squares or likelihood have been developed in the recent literature to estimate a sparse model and select significant variables simultaneously. While the penalized variable selection methods have been successfully applied in many high dimensional analyses, modern applications in areas such as genomics and proteomics push the dimensionality of data to an even larger scale, where the dimension of data may grow exponentially with the sample size. This has been called ultrahigh-dimensional data in the literature. This work aims to present a selective overview of feature screening procedures for ultrahigh-dimensional data. We focus on insights into how to construct marginal utilities for feature screening on specific models and motivation for the need of model-free feature screening procedures.

 

报告题目四: 区间删失数据统计分析

: 胡涛 副教授(首都师范大学数学科学学院

报告时间: 201815()  16:55-17:30

报告地点: 安徽大学磬苑校区数学科学学院H306

报告摘要:

区间删失数据产生于生物学、医学、社会学和可靠性工程学等许多领域。对区间删失数据来说,只知道或观测到感兴趣的失效时间落在一个区间,而不能够精确观测。区间删失数据经常出现于定期跟踪或检测的医学研究中(如临床试验) 在这些研究中,事件(如疾病)只发生在两次门诊或检查之间,因此对事件发生来说研究者只能获得区间删失数据。本次报告将介绍区间删失数据的定义、基本统计分析方法和近期获得一些结果。

报告主持人朱利平 教授中国人民大学统计与大数据研究院教授、博导,国家优秀青年基金获得者,入选中组部万人计划青年拔尖人才及教育部新世纪优秀人才)

主办单位:数学科学学院

欢迎各位老师、同学届时前往!

科技处

201814

报告人简介: 

朱利平,中国人民大学统计与大数据研究院教授、博士生导师。国家优秀青年基金获得者,入选中组部万人计划青年拔尖人才及教育部新世纪优秀人才。2006年于华东师范大学获得博士学位,先后在香港大学、香港浸会大学、美国波士顿大学、美国宾州州立大学交流访问。朱利平教授一直从事统计理论以及应用研究,研究兴趣包括半参数建模、高维数据分析、充分降维、变量选择等,在统计学顶级国际期刊JRSS(B)Journal of the American Statistical AssociationThe Annals of StatisticsBiometrika上发表论文17篇,其他重要SCI论文五十余篇,并有多篇论文被列为统计学领域ESI高被引论文。曾经担任统计学顶级国际期刊The Annals of Statistics副主编和统计学一流国际期刊Statistica Sinica副主编。

李启寨,中国科学院数学与系统科学研究院研究员,2001年于中国科技大学获学士学位,2006年于中国科学院数学与系统科学研究院获博士学位,2006-2009年在美国国家健康研究院国家癌症研究所从事博士后研究;2006-至今在中国科学院数学与系统科学研究院工作,2006-2010年任助理研究员,2010-2015任副研究员,2015-至今任研究员;研究方向:生物医学统计等;到目前为止,已接收、发表SCI论文80余篇;曾获优青、国际统计学会推选会员、中科院卢嘉锡青年人才奖等;目前担任Scientific ReportsJournal of Applied StatisticsPLoS OneJournal of Systems Science and Complexity 的编委。

孔新兵,南京审计大学统计科学与大数据研究院教授,2011年香港科技大学博士毕业,国际统计协会(ISI)当选会员;江苏省“双创博士”;香港数学会“最佳博士论文奖”;复旦大学管理学院年度“青年新星奖”。研究兴趣包括经济统计、数理统计、网络数据统计,主持国家自然科学基金面上项目、青年项目以及教育部人文社科项目各一项,在Journal of the American Statistical AssociationAnnals of StatisticsBiometrikaJournal of Business and Economic Statistics Statistica SinicaEconometric TheoryEconometrics JournalScandinavian Journal of StatisticsTEST等国际著名统计学和计量经济学期刊发表论文10余篇。

钟威,厦门大学王亚南经济研究院和经济学院统计系教授,博士生导师,厦门大学经济学院院长助理。2012年毕业于美国宾夕法尼亚州立大学,获得统计学博士学位。主要研究兴趣是高维数据分析、统计分析方法及其商业价值、计量经济学等。2014年入选福建省高校杰出青年科研人才培养计划,主持和参与多项国家自然科学基金,在Journal of the American Statistical AssociationAnnals of Statistics BiometrikaJournal of Business and Economic StatisticsAnnals of Applied Statistics等国际著名统计学和计量经济学期刊发表论文10多篇。

胡涛,首都师范大学数学科学学院副教授,硕士生导师,2009年毕业于北京师范大学数学科学学院,获概率论与数理统计专业博士学位美国University of Missouri 统计系博士后20093月至201212月先后在新加坡国立大学统计与应用概率系、南洋理工大学数学与物理学院任 Research  Assistant Research Fellow主要研究兴趣是高维统计模型中的稳健推断、区间删失数据的统计推断等,主持和参与多项国家自然科学基金,在Journal of the American Statistical AssociationBiometrikaStatistica SinicaComputational Statistics & Data AnalysisStatistics and Its InterfaceScandinavian Journal of StatisticsCanadian Journal of Statistics等国际著名统计学期刊发表论文多篇。