12月15日，我院举办的“统计大讲堂”系列学术报告会第二十八讲在明德主楼1030举行。本次报告会邀请了美国威斯康星大学麦迪逊分校统计系的张春明教授、华中师范大学统计系晏挺教授、武汉大学数学与统计学院吴远山副教授与我院师生分享他们的最新成果。我院许王莉教授主持了本次报告会，易丹辉教授、王星副教授参加了本次报告会。

在每位报告人报告之前许王莉教授分别对三位报告人进行了介绍。

张春明教授1990年数理统计专业本科毕业于南开大学，1993年计算数学专业硕士毕业于中国科学院，2000年统计专业博士毕业于美国北卡莱罗纳大学教堂山分校。之后，张春明教授任美国威斯康星大学麦迪逊分校统计系的助理教授（2000-2005），副教授（2005-2010）和正教授（2010-至今）。张春明教授担任以下刊物的副主编：Annals of Statistics (2007-2009)、Journal of the American Statistical Association (2011-)、Journal of Statistics Planning and Inference (2012-)。除此之外，张春明教授是国际数理统计学会“会士”（fellow），美国统计学会“会士”（fellow），并于2015年担任美国统计协会非参数统计分会的程序主席。张春明教授的研究兴趣包括高维复杂数据统计建模与推断，非参数与半参数统计建模与推断，大规模多元联合统计推断等。

晏挺教授于中国科学技术大学获得统计学学士学位、博士学位，于美国乔治华盛顿大学统计系获得博士后学位，目前任华中师范大学统计系教授。晏挺教授的主要研究方向为Network models、Random graphs、Paired comparisons。

吴远山现任武汉大学数学与统计学院副教授，博士生导师，主要从事生物统计和高维数据分析等方向的研究，迄今在Journal of the American Statistical Association、Biometrika、Biometrics等国际重要统计学期刊上发表多篇学术论文。

张春明教授的报告题目为：The effect of L1-penalization on condition-number constrainted estimation of precision matrix。张春明教授首先介绍了精度矩阵（precision matrix）在线性判别分析、生物信息、神经科学中的应用，明确了研究精度矩阵的意义。之后为在场的老师和同学们总结了过去的研究成果，并指出之前方法在高维设定下精度矩阵估计的缺点。计算数学中常用条件数来衡量矩阵的病态程度，进而分析算法的收敛性。受此思想影响，张春明教授提出了两种加条件数约束的精度矩阵估计方法：通过极小化带条件数约束和L1范数惩罚的损失函数估计精度矩阵。此带约束极小化问题可用ADMM算法求解。张春明教授分析了该估计在各种设定下的收敛性，给出了收敛速率。在数值模拟部分张春明教授将她的条件数约束估计与graphical lasso等经典方法进行了对比，结果表明该方法在高维设定下效果优于其他方法。

晏挺教授的报告题目为：Estimation of the Degree parameters in Directed Network Models and its Application。晏挺教授首先为在场师生们介绍了有向图中结点的“入度”和“出度”的概念，提出了网络研究中常用的差分隐私（differential privacy）框架。之前的方法在结点数增大时会出现度参数增长过快等问题。为了克服这些问题晏挺教授提出了一种基于估计方程的度参数（degree parameter）估计方法，并在一些合理的假设下证明了该方法的相合性和渐进正态性。该估计方法可以用牛顿迭代算法求解。由于直接描述无穷维中心极限定理较为复杂，晏挺教授提出用其有限维边际的中心极限定理表示，降低了问题的复杂性。

吴远山副教授的报告题目为：The Hazard Level Set。在生存分析中风险函数是一个基础性概念且已经有了大量的研究，但是却没有人研究风险何时达到警戒水平。吴远山副教授提出了“水平集”的概念，用来表示风险达到某水平的时刻，并给出了水平集的平滑核估计。在Hausdorff距离意义下，吴远山副教授证明了其所给出的平滑核估计的相合性及收敛速率。尽管估计量收敛到高斯过程，但实际中并不适用。因此吴远山副教授给出了基于Bootstrap的完全数据驱动的方法来估计水平集，数值模拟结果显示估计效果很好。

讲座结束后在场师生与三位报告人就惩罚项的意义、求解算法的适用性、收敛条件等问题进行了热切的讨论。