(通讯员:边睿骞)2026年9月6日下午13:30,我院特邀首都经济贸易大学统计与数据科学学院博士生导师张宝学教授,在南湖校区办公楼五楼会议室1561室作学术报告。本次报告由数学与统计学院、大数据科学研究院承办,会议由学院副院长杨凯教授主持,学院院长王纯杰教授、大数据科学研究院院长秦喜文教授、学院副院长李纯净教授、学院部分教师及研究生参加了本次学术报告会。

会议开始之际,由杨老师作为代表对张老师的到来表示感谢,并对张老师及其研究内容做了简单的介绍。
报告人简介:张宝学,首都经济贸易大学统计与数据科学学院二级教授、博士生导师。担任全国应用统计专业学位研究生教育指导委员会委员兼案例组组长,全国工业统计学教学研究会副会长,中国现场统计研究会副理事长。《数理统计与管理》、《统计与信息论坛》、《统计与决策》以及《运筹与模糊数学》等期刊的编委。主要从事高维数据的统计理论方法及应用的研究。先后主持国家自然科学基金项目5项,教育部博士点基金1项,吉林省应用统计学研究创新团队1项,参加国家自然科学基金委重点项目1项,教育部创新团队项目1项。在 Genome Research、Bioinformatics、Pattern Recognition、Statistica Sinica、Scandinavian Journal of Statistics和Science China Mathematics等国内外著名杂志发表或接受论文90余篇。其中,SCI/SSCI索引论文70余篇。获北京市教育系统“教书育人榜样”,北京市宣传思想文化系统“四个一批”人才等荣誉称号。曾入选教育部新世纪优秀人才支持计划,曾荣获教育部高等学校自然科学奖二等奖吉林省科学技术奖自然科学奖二等奖。
报告题目:A locally sequentially reweighted gradient descent estimator to enhance statistical efficiency for decentralized federated learning
报告摘要:While many studies have considered the numerical convergence of federated learning algorithms, far less attention has been given to their statistical convergence. In this paper, to enhance statistical efficiency, we propose a novel Locally Sequentially Re-weighted Gradient Descent (LSRGD) estimator for decentralized federated learning. Furthermore, we prove that the LSRGD estimator is asymptotically normal and achieves optimal statistical efficiency. Moreover, we also propose a parallel version of the LSRGD algorithm, referred to as LSRGD-P. Finally, extensive experiments demonstrate that LSRGD and LSRGD-P estimators exhibit superior statistical efficiency compared to existing competitors. This advantage is particularly pronounced in scenarios where the data across different clients are imbalanced.
本次报告中,张教授讲述了在去中心化联邦学习下的一种本地顺序重加权梯度下降估计器,旨在提升统计效率。首先,张教授简要阐述了联邦学习的基本概念,并回顾了参数估计中极大似然估计的核心思想。他指出在大样本条件下,无偏估计的方差理论上界可达到C-R下界,然而现有文献中的优化算法均难以实现这一下界。
其次,他将关注点聚焦于优化算法能否在实现数值收敛的基础上,保证估计量具备良好的统计收敛性与统计效率。针对这一问题,他提出了局部序贯重加权梯度下降方法(LSRGD)。该方法在各客户端依次进行局部梯度更新的基础上,对所得局部参数实施序贯重加权,以提升估计的统计效率。在此基础上,他又进一步提出了并行版本LSRGD-P,以改善序贯训练在计算和通信方面的不足。

再次,在理论方面,他分别在线性模型和一般损失函数框架下讨论了算法的数值收敛性、收敛速度、估计误差以及渐近性质,并给出了LSRGD估计量的渐近正态性结果。LSRGD-P能够实现线性收敛,并具有与LSRGD相同的统计效率。
最后,他通过线性回归、Logistic回归模拟实验,比较了不同方法的收敛速度、计算时间和统计效率。

报告结束后,参会人员踊跃提问,就感兴趣的问题与张教授进行了深入的讨论和交流。与在场师生深入交流的过程中,张教授指出局部序贯重加权梯度下降方法需要目标函数是凸函数。但若目标函数为非凸函数时,参数估计的结果只能保证是局部最优解,而非全局最优解。聆听报告的师生均表示收获颇丰,并激发了大家的学习热情。
初审:关迪
复审:杨凯
终审:王丹、王纯杰
数学与统计学院
2026年9月7日