2026年6月11日，东南大学统计与数据科学学院郑思明和王桐两位老师应邀在诚信楼715会议室作学术报告，围绕“领域泛化中的非参数回归方法”与“生成式学习框架下的条件分布学习”分享了近期研究成果。学院二十余位师生参加了此次报告会。

郑思明老师的报告题目为“领域特定的非参数回归在领域泛化中的应用”。报告聚焦来自不同数据源的数据在分布结构和生成机制上可能存在的异质性，介绍了一种面向领域泛化问题的领域特异性回归方法。该方法通过边缘分布的线性泛函刻画领域特异性特征，并将预测变量与领域特异性线性泛函共同作为模型输入，从而构建适用于未来目标域无标签数据预测的非参数回归框架。报告进一步介绍了基于神经网络逼近的估计方法，以及该方法在跨领域预测误差收敛、非渐近误差界和缓解维数灾难等方面的理论结果。最后，郑老师结合模拟实验和真实数据分析，展示了该方法在预测精度、计算效率和模型稳健性方面的良好表现。

王桐老师的报告题目为“瓦瑟斯坦生成回归模型”。报告围绕非参数回归与条件分布学习中的统一建模问题展开，介绍了一种基于生成式学习框架的新方法。该方法同时估计回归函数和条件生成器，其中条件生成器能够从给定协变量条件下的目标分布中生成样本。报告指出，该方法的核心思想是构造满足特定约束的条件生成器，使其能够产生良好的回归函数估计量，并利用深度神经网络对条件生成器进行灵活建模。该方法能够处理多元响应变量和多维协变量情形，并可用于构造预测区间。王老师还介绍了该方法在非渐近误差界、分布一致性等方面的理论保证，并通过数值实验说明了其相较已有方法的有效性和优越性。

报告结束后，我院郝美玲、张书聪两位老师围绕领域泛化特征选择、瓦瑟斯函数的特殊性质及其在复杂数据分析中的应用等问题展开了深入交流。两位老师对相关问题进行了细致解答，并结合自身研究经验分享了当前统计学习与生成式建模领域的若干前沿方向。

本次学术报告会内容丰富、视角前沿，系统阐释了非参数回归、领域泛化与生成式学习等方向的核心理论与方法，不仅深化了师生对相关研究领域的认知，也显著拓展了学院师生的学术视野，为研究生把握统计学前沿发展趋势、提升科研创新能力和学术素养提供了重要启发。

（通讯员：张书聪 审核：郭伟）