2021年12月28日上午9点30分，我院在教学科研楼616室邀请东北师范大学周灿老师做线下学术报告，大数据科学研究院院长秦喜文主持了本次报告会。校教学指导委员会主任董小刚老师、数学与统计学院副院长刘铭老师、学院部分老师和全体研究生参加了此次会议。

报告题目：Learning and Application of Mixed Latent Forest Models

报告人简介：周灿，东北师范大学数学与统计学院2018级博士研究生，本硕博就读于东北师范大学，主要研究方向为图模型，博士期间在机器学习重点期刊JMLR上发表学术论文，获得东北师范大学2020～2021学年博士研究生国家奖学金、第22届“理想与成才”报告团（研究生）年度人物。

论文摘要：Latent structural learning has attracted more attention in recent years. But most related works only focuses on pure continuous or pure discrete data. In this paper, we consider mixed latent forest models for mixed data mining. We address the latent structural learning and parameter estimation for those mixed models. For structural learning, we propose a consistent bottom-up algorithm, and give a finite sample bound guarantee for the exact structural recovery. For parameter estimation, we suggest a moment estimator by exploiting matrix decomposition, and prove asymptotic normality of the estimator. Experiments on the simulated and real data support that our method is valid for mining the hierarchical structure and latent information.

会议过程中周灿老师对混合隐森林模型的学习与应用进行了深入浅出的介绍。首先介绍了混合隐森林模型的背景，即老旧的隐树模型无法处理分类与变量选择问题。并且介绍了两种主要的隐森林学习方法：结构学习与参数估计和重要的结构学习算法：基于可观测变量的信息距离。

隐森林学习近年来受到了越来越多的关注。但大多数相关的工作只关注纯连续或纯离散数据。在周灿老师的研究中，考虑混合潜在森林模型的混合数据挖掘。讨论了这些混合模型的潜在结构学习和参数估计。对于结构学习，我们提出了一种一致的自底向上算法，并给出了精确结构恢复的有限样本界保证。对于参数估计，我们利用矩阵分解提出了一种矩估计，并证明了估计的渐近正态性。在模拟和真实数据上的实验表明，该方法对于挖掘层次结构和潜在信息是有效的。

报告会结束后，大家针对混合隐森林模型的学习与应用产生了浓厚的兴趣，老师及同学与周灿老师交流热情高涨，周灿老师的报告拓展了老师同学们的学术及专业视野，激起了学生们的强烈兴趣。在场的老师和学生认真学习报告精髓，进一步开阔了视野，同时，老师和同学与周灿老师展开了激烈的讨论，给我们的学习提出了许多有建设性意义的建议。

数学与统计学院

2021年12月28日