为深入推进长三角地区数据科学领域的学术交流与协同创新，2026年长三角地区数据科学研讨会于2026年1月3日在上海财经大学顺利举办。本次会议由上海财经大学大数据研究院主办，上海财经大学统计与数据科学学院承办，上海财经大学数据科学与统计研究院、上海市数据科技与决策前沿科学研究基地协办。本次研讨会聚焦数据科学、统计学及其交叉应用前沿，吸引了来自全国多所高校、科研院所的专家学者、青年教师和研究生参会。
会议开幕式由上海财经大学统计与数据科学学院副院长黄涛教授主持。
上海财经大学统计与数据科学学院院长冯兴东教授首先对各位专家学者和嘉宾的到来表示热烈欢迎，并对大家在百忙之中出席2026年长三角地区数据科学研讨会表示诚挚感谢。冯院长在致辞中指出，在大数据与人工智能迅速发展的背景下，数据科学与统计学的研究范式和应用场景不断拓展，既孕育着新的学科发展机遇，也对理论方法、模型构建以及数据治理与实践应用提出了更高要求。冯院长表示，本次研讨会立足长三角区域特色，聚焦数据科学与统计学领域的前沿方向和关键问题，汇聚多所高校和科研机构的专家学者开展深入交流与研讨，有助于促进学术思想碰撞，推动交叉融合与协同创新。他期待以此次会议为契机，进一步加强学术交流与合作，完善人才培养体系，为推动数据科学与统计学相关学科高质量发展持续贡献力量。
上午的大会报告由美国乔治华盛顿大学统计系胡飞芳教授和上海财经大学统计与数据科学学院邱怡轩副教授主持。
首先由圣路易斯华盛顿大学统计与数据科学系教授何旭铭作题为“Leveraging AI for Statistical Analysis — Some Non-Random Thoughts”的报告。何旭铭教授结合人工智能快速发展的背景，围绕人工智能与传统统计方法的关系展开深入探讨，指出在许多实际问题中，统计分析往往面临“有输入变量而缺乏完整结果变量”的情形，这对传统统计建模提出了新的挑战。报告重点讨论了合成数据在数据分析中的重要作用。何旭铭教授指出，合成数据一方面可以有效缓解样本规模不足的问题，另一方面在数据隐私保护和敏感信息处理方面具有独特优势。随着人工智能技术的广泛应用，合成数据在实际研究和应用中的使用日益普遍，但同时也需要关注由此带来的统计推断可靠性与方法适用性等问题。何旭铭教授进一步强调，在人工智能时代，统计学的重要价值不仅体现在算法层面，更体现在对合成数据生成、评估与使用过程的理论支撑与方法规范上。相关研究对于提升统计学习的稳健性和可解释性具有重要意义。报告内容引发了与会学者的广泛关注和深入讨论。
浙江大学的郭子剑教授作了题为“Multi-Source Learning via Distributionally Robust Optimization”的大会报告。郭子剑教授围绕多源数据整合中普遍存在的分布异质性问题，探讨了如何在多数据来源条件下构建具有良好泛化能力和迁移性能的统计学习模型。报告提出以分布稳健优化为核心的统一分析框架，通过刻画潜在目标分布的不确定性，实现对最坏情形风险的有效控制。相关研究为多源学习、迁移学习及因果不变性分析提供了重要的理论支撑和方法思路。
Emory大学商学院信息系统与运筹学系张菁菲教授作了题目为“Generalized Tensor Completion with Non-Random Missingness”的报告。张菁菲教授围绕现实数据分析中普遍存在的非随机缺失问题，探讨了传统张量补全方法在复杂缺失机制下面临的局限。报告提出一种广义张量补全分析框架，在刻画数据缺失机制的同时提升模型在噪声数据条件下的适用性与稳健性。相关研究为推荐系统、医学影像等高维复杂数据场景下的统计建模与推断提供了新的方法思路。
中国科学技术大学统计与金融系副教授张博作了题为“Identifying the Structure of High-Dimensional Time Series via Eigen-Analysis”的大会报告。张博副教授围绕高维时间序列数据中普遍存在的截面相关性与非平稳性问题，探讨了如何基于特征值分析识别高维时间序列的结构特征。报告提出一种系统性的分析思路，用于区分不同类型的因子结构与时间演化特征，从而提升高维时间序列建模与预测的有效性。相关研究为经济、金融等领域中复杂时间序列数据的统计分析提供了重要参考。
上海交通大学毛晓军教授以题为“Fair Regression in Reproducing Kernel Hilbert Spaces: Single-Machine and Decentralized Implementations under Conditional Mean Parity”作报告，重点介绍了公平性约束在机器学习建模中的理论基础与实现方式。报告从实际应用中算法公平性面临的挑战出发，阐述了在条件均值公平性框架下，如何通过核回归方法在不同计算环境中实现性能与公平性的平衡。毛晓军教授还结合分布式计算场景，展示了相关方法在大规模数据分析中的可扩展性与应用潜力。报告为公平机器学习研究提供了新的视角，受到与会学者的广泛关注。
下午的报告由上海财经大学统计与数据科学学院周帆副教授主持。
上海财经大学统计与数据科学学院贺莘副教授首先作题为“Kernel Ridge Regression with Predicted Feature Inputs” 的报告。贺莘副教授从核方法在统计学习中的经典地位出发，关注现实回归问题中特征变量无法直接观测、需要借助神经网络等人工智能方法进行预测或表征这一常见情形，系统探讨了核岭回归在该背景下的理论分析框架。报告结合具体应用，展示了在利用人工智能模型生成特征表示后，核方法在隐含特征输入条件下的建模思路及其预测性能表现，并通过模拟与实际数据分析加以验证。相关研究为统计学习方法与人工智能技术的深度融合提供了新的理论视角。
上海财经大学统计与数据科学学院涂霁原助理教授作题为“Robust Variational Bayes by Min-Max Median Aggregation”的大会报告。涂霁原助理教授围绕稳健贝叶斯推断方法展开介绍，重点探讨了在分布存在不确定性或异常扰动条件下，如何通过极小极大思想提升贝叶斯推断的稳健性。报告从方法论角度阐述了相关模型在复杂数据环境中的适用性，为稳健统计推断研究提供了新的思路。报告内容引发了与会学者的积极讨论。
当日下午，会议进入圆桌讨论环节。与会青年教师围绕各自研究方向依次作了简要介绍，分享了在数据科学与统计学相关领域的研究思考与实践体会。上海财经大学统计与数据科学学院院长冯兴东在讨论中倡议，进一步推动长三角地区数据科学研讨会的常态化举办，持续搭建稳定、高水平的学术交流平台，促进区域内高校与科研机构之间的长期合作与协同发展。
在随后的讨论中，与会专家学者围绕统计研究中的若干共性问题展开了深入交流，包括数据获取与质量控制、统计方法在实际场景中的落地应用等议题。同时，与会学者还就统计学在新时代背景下如何更好服务实际需求，以及本科和研究生课程体系建设与人才培养模式等问题进行了充分探讨。
本次研讨会为长三角地区数据科学与统计学领域搭建了高水平的学术交流平台，有效促进了前沿研究与实践应用的对接。会议的成功举办不仅深化了区域内学术合作，也为相关学科在新时代背景下的创新发展和人才培养提供了有益思路。上海财经大学统计与数据科学学院将以此为契机，持续推进高质量学术交流，助力数据科学与统计学学科的长远发展。
