近日，我院2021级统计学实验班本科生王晨瑞在学院邱怡轩副教授的指导下，以第一作者身份于国际机器学习顶级会议International Conference on Machine Learning（简称ICML）发表论文：The Sparse-Plus-Low-Rank Quasi-Newton Method for Entropic Regularized Optimal Transport。ICML 是全球机器学习领域最顶尖的三大国际学术会议（ICML、NeurIPS 和 ICLR）之一，代表着该领域的最高学术水准与广泛影响力。
该论文着眼于统计机器学习中的经典问题——最优传输问题，提出了一种新的拟牛顿优化算法来解决现有方法收敛速度慢、计算效率低的缺陷。论文融合了 Hessian 矩阵稀疏化方法和 Broyden-Fletcher-Goldfarb-Shanno 拟牛顿法两套加速框架，首先从理论上解析了 Hessian 矩阵稀疏化的工作机理，然后创新性地引入低秩补偿项来构建“稀疏+低秩”的特殊矩阵结构：该结构可用于高效求解大规模的线性方程组，从而可以替代经典牛顿法中的 Hessian 矩阵，达到提升计算效率的目标。论文的理论分析表明，新算法具有全局收敛性和至少为线性的局部收敛速度；结合各类模拟和真实数据下的数值实验，该算法在大规模的最优传输任务中展现出显著的性能提升。本研究项目自2024年9月启动，在邱怡轩副教授的悉心指导下，历时6个月完成。
近年来，我院通过学术拔尖型科研训练项目培育出的多项研究成果在The Annals of Applied Statistics、数学学报等国内外顶尖期刊中发表。这些成果不仅反映出我院本科生拔尖人才培养取得的显著成效，更充分彰显了我院本科生在机器学习理论及多模态学习前沿领域的研究能力已达到国际先进水平。在未来，我院将继续强化厚基础、宽视野的本科生培养模式，大力支持学生参与各类科研创新项目，培养一流复合型统计人才。
供稿|熊踞峰 王晨瑞（学）
审核|李涛
