11月18日下午，经济学院第270期高级经济学讲座在中心校区举行。上海财经大学统计与管理学院助理教授周帆带来题为“Graph-based semi-supervised learning with nonignorable nonresponses”的学术报告。

报告将传统统计方法应用在人工智能与深度学习领域中。首先，周帆指出，深度学习相较传统统计学处理的数据量更大且方法更为先进，更利于处理多样和复杂的数据。但从统计学家的视角，机器学习的本质是统计，统计学家需要对“黑箱”和输入数据的合理性做出解释。接着，他介绍了图的顶点与连接矩阵以及图卷积神经网络（GCN）和图注意力神经网络（GAT）的基本概念和相关的应用。对于一个图而言，只有一部分的点上的数据可以被观测，往往这些点被误认为是随机抽样的，报告研究如何纠正因抽样产生的误差。以引文网络对文章的分类问题为例，报告通过深度学习的模型对函数进行学习，在传统的logistic回归形式上进行改进。由于机器学习中层与层之间进行非线性变换，对于其中存在的不可识别性，定义PEQ空间，从而无需对每个参数都做到可识别。最后，报告用一个具体的分类问题，检验了该方法较传统假设的优越性，发现考虑偏误时GCN和GAT方法效果相近。报告结束后，周帆与学院参会师生进行了互动，并对相关问题进行了详细解答。

周帆，美国北卡罗纳大学教堂山分校统计学博士毕业，师从朱宏图教授，现为上海财经大学统计与管理学院常任轨助理教授。周帆博士在Nature Genetics, Biometrics, NeuroImage, Bioinformatics等国际著名杂志发表了多篇相关学术论文。周帆博士的主要研究兴趣为传统统计学方法在深度学习和人工智能上的应用，相关成果被顶级国际人工智能和计算机视觉会议NeurIPS, MICCAI, ISBI接收。此外，周帆博士还担任多家国内著名科技公司包括滴滴出行等的学术顾问，并获得了ICSA（泛华统计协会）New Researcher Awards, NeurIPS travel award等国际奖项。

文/张晨冉 图/孟菲