大会报告 Plenary Lectures¶
JCSDS 2026 · Plenary Lectures · 返回会议总览
- 含 6 个分会场 · 6 场报告（已检索到对应论文 6 场）
Plenary Talk¶
7 月 11 日（周六） · 09:00-09:50 · Colourful Guizhou Ballroom
主持 Jiashun Jin（Southeast University）
1. Nobel Prizes for Data Science¶
讲者：David Donoho（Stanford University）
对应论文：Data Science at the Singularity · arXiv:2310.00865 · 📖 长篇精读
David Donoho 是斯坦福统计系资深教授、美国科学院院士，现代高维统计与信号处理的奠基人之一：小波（wavelet）阈值去噪、压缩感知（compressed sensing）、\(\ell_1\) 稀疏恢复、最小最大风险理论均与其名字紧密相连，长期思考"数据科学作为一门学科"的本质。此次大会报告并非对应单篇论文，而是基于其近年关于数据科学发展观的系列思辨，尤其是 2023 年的《Data Science at the Singularity》（arXiv:2310.00865）及其在 HDSR 上引发的大讨论。
报告主题"Nobel Prizes for Data Science"是一个引人深思的切入点：数学有 Fields、计算机有 Turing，但数据科学至今无对应"诺奖级"的荣誉标尺。Donoho 由此追问——数据科学究竟贡献了哪些堪称划时代的成果，又该以何种标准衡量其科学价值。他提出经验机器学习（empirical machine learning）近年之所以爆发，源于"无摩擦可复现性"（frictionless reproducibility）三要素的成熟：公开数据（data）、公开代码（code）、公开竞赛与排行榜（challenge）。当研究、复现、迭代的成本趋近于零，领域便进入"奇点"式加速，AlphaFold、大语言模型等成就正是其产物。
报告很可能借"诺奖"隐喻，反思统计学与数据科学的关系：哪些进步是范式级突破、哪些只是工程红利，以及在 AI 狂飙时代统计学界应如何定位自身价值、争取学科话语权。对统计研究者而言，这是一场关于学科认同、评价体系与未来方向的战略性演讲，而非具体方法论报告。
Plenary Talk¶
7 月 11 日（周六） · 10:10-11:00 · Colourful Guizhou Ballroom
主持 Jianqing Fan（Princeton University）
1. Nonparametric Estimators of Nonstationary Densities of Streaming Data¶
讲者：Aurore Delaigle（University of Melbourne）
对应论文：Nonparametric Estimators of Nonstationary Densities of Streaming Data · 论文/主页
Aurore Delaigle 是墨尔本大学统计学教授、澳大利亚科学院院士，非参数统计、测量误差（measurement error）与函数型数据分析（functional data analysis）领域的国际权威，与已故统计学家 Peter Hall 长期合作。她最具代表性的贡献集中在含误差变量的反卷积（deconvolution）密度与回归估计：当观测 \(W=X+U\) 被测量误差 \(U\) 污染时，如何借助核方法与傅里叶反卷积一致地估计潜在变量 \(X\) 的密度 \(f_X\)，并给出误差分布已知/未知、重复测量等情形下的收敛率与最优带宽理论。这类问题的收敛速度常常只有对数级（logarithmic rate），刻画了反问题的固有难度。
本次大会报告聚焦流数据（streaming data）的非平稳密度估计——这是把她擅长的非参数密度理论推向现代大数据场景的自然延伸。传统核密度估计假设样本同分布（stationary）且可一次性访问全部数据；而流数据的分布随时间漂移（nonstationary/concept drift），且数据量巨大、只能单遍扫描、无法全存。报告很可能讨论：如何构造随时间自适应、可在线递归更新（online/recursive）的非参数估计器，用遗忘因子或局部时间窗跟踪演化的密度 \(f_t(x)\)，并建立其偏差-方差权衡、带宽与窗宽的联合选择及一致性/渐近正态性理论。
对听众而言，这是一场兼具方法论深度与应用价值的报告：它把经典非参数平滑理论、时间自适应与计算受限的流式计算框架结合，回应了工业界实时监控、传感网络等场景中"分布在变、内存有限"的核心统计挑战。因主题较新，尚无单一对应论文，此解读基于讲者一贯的非参数与测量误差研究脉络。
Plenary Talk¶
7 月 11 日（周六） · 11:00-11:50 · Colourful Guizhou Ballroom
主持 Hongyu Zhao（Yale University）
1. Bridging Minds and Machines: Rethinking Embodied Intelligence and Agentic AI¶
讲者：Bingyi Jing（The Chinese University of Hong Kong, Shenzhen）
对应论文：Bridging Minds and Machines: Rethinking Embodied Intelligence and Agentic AI · 论文/主页
Bing-Yi Jing（荆炳义）现为香港中文大学（深圳）数据科学学院教授，此前长期任教于香港科技大学数学系。他是概率极限理论与统计推断的资深学者，早年以经验似然（empirical likelihood）、自助法（bootstrap）、\(U\)-统计量与自正则化（self-normalized）极限定理等方向著称，近年将研究重心转向高维统计、网络数据分析（network/graph）、随机矩阵与机器学习的理论基础，兼具深厚数理功底与对 AI 前沿的关注。
本次大会报告"连接心智与机器"面向当下最热的两大范式——具身智能（embodied intelligence）与智能体 AI（agentic AI）。具身智能强调智能必须通过身体与物理世界交互、在感知-行动闭环中涌现，而非仅靠离线文本训练；agentic AI 则关注让大模型具备自主规划、工具调用、记忆与多步决策能力，形成能在开放环境中持续行动的"智能体"。报告标题中的"rethinking"提示讲者意在从统计与数理科学视角重新审视这些工程驱动的概念：智能体的决策与泛化能否用统计学习理论、序贯决策（强化学习、bandits）、因果与不确定性量化的语言刻画？世界模型（world model）中的表示学习、In-Context Learning 的涌现机制又蕴含怎样的可分析结构？
作为一位从传统数理统计跨入 AI 的学者，Jing 的报告很可能强调"机器"（大模型、机器人本体）与"心智"（认知、推理、决策）之间的桥梁，呼吁统计学界在具身与智能体浪潮中提供理论工具与严谨评估框架，而非旁观。因属方向性综述报告，无单篇对应论文，此解读基于讲者研究脉络与该主题的学术内涵。
Plenary Talk¶
7 月 12 日（周日） · 08:30-09:20 · Colourful Guizhou Ballroom
主持 Yuantao Hao（Peking University）
1. Conditional Generation via Diffusion, Flow, and Schrödinger Bridges¶
讲者：Jun Liu（Tsinghua University）
对应论文：Schrödinger bridge based deep conditional generative learning · arXiv:2409.17294 · 📖 长篇精读
Jun Liu（刘军）是国际顶尖统计学家、美国科学院院士，长期任教于哈佛大学统计系，近年回国执掌清华大学讲席教职并领衔其课题组。他是贝叶斯计算与蒙特卡洛方法的奠基性人物：序贯蒙特卡洛（sequential Monte Carlo）、数据增广、Gibbs 采样收敛分析及生物信息学中的基序发现（Gibbs motif sampler）均是其标志性贡献，著作《Monte Carlo Strategies in Scientific Computing》影响深远。他对"如何从复杂分布中采样"有着数十年的深刻积累，这与当代生成模型的核心问题高度契合。
本次大会报告聚焦条件生成（conditional generation）的三大现代范式：扩散模型（diffusion）、流匹配（flow matching）与薛定谔桥（Schrödinger bridge）。三者本质都在学习一条把简单参考分布输运到复杂目标分布的路径——扩散模型通过前向加噪与反向去噪的 SDE，流模型通过学习连续时间的 ODE 速度场，薛定谔桥则在两端分布固定下求解带熵正则的最优输运（entropic optimal transport），是更一般的动态桥接框架。所谓"条件"生成，即建模条件分布 \(p(y\mid x)\)，使给定协变量 \(x\) 即可采样响应 \(y\)，这直接服务于统计中的条件密度估计、回归、后验推断与不确定性量化。
代表作 arXiv:2409.17294《Schrödinger bridge based deep conditional generative learning》正体现这一思路，用薛定谔桥构造深度条件生成器并给出统计学习保证。报告很可能从统计学家视角统一审视这三类方法的联系、采样效率与理论性质（如收敛率、样本复杂度），并把生成式 AI 重新锚定到经典的采样与推断传统之中，为统计推断提供新的计算引擎。
Plenary Talk¶
7 月 12 日（周日） · 09:20-10:10 · Colourful Guizhou Ballroom
主持 Linglong Kong
1. Asymptotic Theory in the AI Era¶
讲者：Qiman Shao（Southern University of Science and Technology）
对应论文：Asymptotic Theory in the AI Era · 论文/主页
Qi-Man Shao（邵启满）是南方科技大学统计与数据科学系讲席教授、概率极限理论的国际权威。他最负盛名的贡献是自正则化（self-normalized）极限理论与 Cramér 型中偏差（moderate deviation）：与 Bing-Yi Jing、王前进等合作建立了自正则化和 Studentized 统计量的大偏差、中偏差与 Berry-Esseen 界，突破了对高阶矩的苛刻要求，使得极限定理在重尾、依赖数据下依然稳健。他也是 Stein 方法的领军人物之一，与合作者合著《Normal Approximation by Stein's Method》，系统发展了正态与非正态逼近的精细收敛率理论。
本次大会报告"AI 时代的渐近理论"是一篇立意宏大的方向性演讲。经典渐近理论建立在"样本量 \(n\to\infty\)、维度 \(p\) 固定"的框架上，而现代 AI 面对的是高维乃至超高维（\(p\gg n\)）、过参数化神经网络、非凸优化、依赖与非独立同分布数据的全新格局。报告很可能追问：在这样的场景下，中心极限定理、收敛率、置信区间与假设检验的渐近保证还成立吗？如何为高维统计量、随机算法（SGD 轨迹）乃至深度学习估计量提供分布逼近与不确定性量化？Stein 方法、中偏差理论、高维 CLT 等正是搭建这座桥梁的利器。
报告的核心关切在于统计学的理论价值如何在 AI 时代延续——当预测精度由算力和数据驱动时，渐近理论仍是理解算法为何有效、量化误差与风险、赋予 AI 输出可信度（valid inference）的根基。相关思路亦见于其近期"From Asymptotics to Action"的公开演讲。这是一场号召统计理论家主动介入 AI 前沿、以严谨渐近分析支撑可信 AI 的报告，无单篇对应论文，此解读基于讲者研究脉络。
Plenary Talk¶
7 月 12 日（周日） · 10:30-11:20 · Colourful Guizhou Ballroom
主持 Ying Fang（Xiamen University）
1. Causal Generalist Medical AI¶
讲者：Hongtu Zhu（University of North Carolina at Chapel Hill）
对应论文：Causal Inference in Biomedical Imaging via Functional Linear Structural Equation Models · arXiv:2601.20610 · 📖 长篇精读
Hongtu Zhu（朱宏图）是北卡罗来纳大学教堂山分校（UNC Chapel Hill）生物统计系杰出教授、ASA/IMS Fellow，医学影像统计与神经影像大数据分析的国际领军人物。他长期主持 UK Biobank、ADNI 等大型影像遗传学（imaging genetics）研究，方法学贡献涵盖函数型数据与流形上的回归、影像基因组关联、张量/高维成像数据的统计建模、以及大规模生物医学数据的因果推断，兼具深厚统计理论与真实医疗场景落地经验。
本次大会报告"因果通用医学 AI"直击当前医学 AI 的两大痛点。其一是"通用（generalist）"：借鉴基础模型（foundation model）范式，构建能跨模态（影像、文本、基因、电子病历）、跨任务（诊断、分割、预后、报告生成）统一处理的通用医学 AI，而非为每个任务单训一个模型。其二、也是核心的是"因果（causal）"：现有医学大模型多为相关性驱动的黑箱预测，易受混杂（confounding）、分布漂移与虚假关联影响，难以支撑治疗决策与临床干预。报告主张把因果推断框架（结构方程、反事实、\(do\)-算子、混杂调整）嵌入通用医学 AI，使模型不仅回答"是什么"，更能回答"如果干预会怎样"，从而提升可解释性、公平性与跨人群的可迁移性。
代表性思路可见其近作《Causal Inference in Biomedical Imaging via Functional Linear Structural Equation Models》，将结构方程模型推广到函数型影像数据以刻画因果通路。该报告亦为其在 NISS、Duke DISS 等多个场合宣讲的主题。整体上这是一场融合因果推断、基础模型与医学影像的前沿愿景报告，倡导以因果性为医学 AI 注入可信与可行动的临床价值。
Maintained by 陈星宇 · Homepage · Source on GitHub