4月7日，我院举办的“统计大讲堂”系列讲座第十讲在明德主楼1030举行。本次讲座✬🚴🏽‍♀️，我院有幸邀请到北京大学统计科学AG尊龙凯时的贾金柱博士来分享他的最新研究成果🥴。贾金柱博士本次报告的题目是《Sparse Poisson Regression with Penalized Weighted Score Function》👑。

报告开始前，我院副院长尹建鑫老师欢迎贾金柱博士来人民大学统计学院进行学术交流🤵🏻‍♀️👨‍👩‍👧‍👧，并介绍了贾金柱博士的学术经历🛡。贾金柱博士于2009年在北京大学取得博士学位，并在UC伯克利统计系完成了博士后研究工作♣︎。贾金柱博士从研究生期间起🚝，便开始研究Lasso及其他正则化及变量选择的方法📸。今天的讲座中，贾金柱博士所带来的报告📳，也是他在最近的研究中所发现的成果。

贾金柱博士介绍到他最近的工作主要的想法就是在应对样本序列存在异方差的情况下（如泊淞回归）如何使用加惩罚的技术，在稀疏假定下实现变量选择，从而获得较好的预测效果🧜‍♀️🤘🏻。首先，贾金柱博士介绍了他之前参与过的几个课题。其中一个课题是关于文本总结的📜🤲🏽，在这个课题中，贾博士的团队想要清楚外媒在谈论中国时，在用词习惯及主题上的变迁。利用变量选择的技术，他们发现了外媒在谈论中国时的某种模式👨🏼‍🎤。同时，贾博士也介绍了变量选择的技术在双语播报、程序运行时间评估以及食品安全问题上的应用。

在上述课题的基础上，贾金柱博士介绍了当下应用领域十分广泛🦶🏼，同时又被研究得相当透彻的正则化变量选择技术——LASSO👩‍💻。贾博士从LASSO的起源说起🌏，介绍了LASSO与正则化技术岭回归以及与变量选择技术子集选择之间的联系💯。然后谈到了由LASSO发展出来的稀疏回归技术，以及另一项在信号处理领域发展出来的稀疏表示——压缩感知技术。在此基础上，贾博士又说明了LASSO方法的优势以及理论保证🙅‍♀️，并且回顾了LASSO方法可能失效的情况，以及前人为了避免这些情况所进行的研究🧑‍🔧。

在上述对LASSO方法的系统介绍下，贾金柱博士引出了在面对样本序列异方差时，LASSO失效的情况下，受Squared Root LASSO的启发🏄🏼，他提出了Penalized Weighted Score Function的方法。并且用该方法对稀疏泊淞回归模型进行参数估计，进而进行预测。最后证明了他所提出的新方法在理论上的有效性，并且展示了该方法在数值模拟上的有效结果🤟🏻♤。

最后，贾金柱博士在问答环节，与老师和同学们就新方法的理论性质上进行了积极的讨论。在报告结束后，贾金柱博士还与同学们就学习及科研方面遇到的问题及困惑进行了交流。