12月28日，我院举办的“统计大讲堂”系列学术报告会第三十三讲在明德主楼1030举行，本次讲座也是本年度“统计大讲堂”系列讲座的收官之作。本次报告邀请美国康涅狄格大学统计系助理教授陈昆。我院李扬副教授主持了本次学术报告会，孙怡帆副教授参加了本次学术报告会。

李扬副教授首先对报告人进行了介绍。陈昆助理教授是美国康涅狄格大学统计系教授、保健中心公共卫生与健康政策中心研究员，曾多次获得康涅狄格大学的卓越教学奖。陈昆助理教授的研究主要集中在综合多元学习，高维统计以及具有大规模异构数据的医疗保健分析。他在保险，生态学，生物学，医学影像学和公共卫生等多个领域拥有丰富的跨学科研究经验。陈昆教授的研究项目已获得国立卫生研究院（NIH），西蒙斯基金会和国家科学基金会（NSF）的资助。目前，他由NSF资助开发综合多元学习框架，并为异构响应开发降维和预测方法。陈昆助理教授自2017年起担任新成立的新英格兰统计学会秘书，自2016年起出任印度统计杂志Sankhya的副编辑。

陈昆助理教授的报告题目是：Integrate, divide, and conquer: on sparse and low-rank multivariate statistical learning。陈昆助理教授首先以美国1999-2014年自杀数据为例引入，指出现代数据分析问题中数据来自各个方面，这既能提供更多信息同时也增大了数据处理的难度。接下来陈昆助理教授给在场师生回顾了主成分分析（PCA）、矩阵补全（Matrix Completion）及降秩回归（Reduced-Rank Regression）问题，介绍了他们提出的奇异值罚回归（Singular Value Penalized Regression）框架。该框架可以将降秩回归和岭回归、核范数罚回归等统一起来。在此基础上陈昆助理教授介绍了可处理离群点的鲁棒性降秩回归（Robust Reduced-Rank Regression）和处理来源不同数据的多视角降秩回归（Multi-View Reduced-Rank Regression）及它们的理论性质。当同时要求估计矩阵具有低秩和稀疏两种性质时问题的求解会变得复杂，因此陈昆助理教授提出了一种分而治之（Divide and Conquer）的求解思路，即将整个问题分解为一系列秩1估计的子问题，每次求解一个子问题，最终得到低秩稀疏的估计矩阵。

报告结束后，在场师生对报告中提到的响应变量是否需要服从指数族分布、序贯求解低秩稀疏近似的停止条件及秩的估计等问题与陈昆助理教授进行了热切的讨论。