姓 名：刘鑫
职 称：副教授
研究方向：1. 机器学习中的建模和统计推断相关理论，如支持向量机、随机树和随机森林的参数检验等问题，训练集中带有错分数据的支持向量机和随机森林等分类问题以及机器学习中的变量选择问题和相关统计理论研究；2. （超）高位数据的建模与变量筛选问题，如基于超高纬Screening的时间变点选择问题等；3. 带有时间和空间属性的联合数据建模方法和理论，如纵性数据和生存分析数据的联合建模，有向图和无向图等。
教授课程：数据分析与可视化、数理统计。
E - mail：liu.xin@mail.shufe.edu.cn
电话： (021) 6590 2491
主持或参与的人才计划或纵向项⽬：
1. 2021.10 至今：上海市浦江⼈才计划
2. 2021.9 至今：统计与管理学院创新科研团队（尤进红老师团队）
3. 2020.9 至今：统计与管理学院青年创新科研团队（崔翔宇老师团队）
机器学习的理论研究，如支持向量机、随机树与随机森林等的统计理论研究；（超）高维数据分析和建模、如（超）高纬度变量筛选(ultra high-dimensional variable screening)和时间变点问题(time change point detection)；纵向数据和生存数据的分析及联合建模(joint modeling of longitudinal and time-to-event data)；带有时间和空间属性的统计(Spatial-temporal Statistical Analysis)，如有向图和无向图等；函数形数据分析(Functional data analysis)；基于图数据的深度学习(deep learning)等。研究数据类型包括复杂数据(complex data)、函数性数据、纵向数据和生存数据，带有时空相关性的数据、图像数据等；应用领域包括环境科学、金融行业、医学影像分析（如核磁共振和CT等图像）、生物医药等。
2013-2017加拿大Western University 统计学博士
2012-2013加拿大Western University 统计学硕士
2010-2012上海财经大学 硕士（统计与管理学院，数量金融与风险管理专业）
2006-2010上海财经大学 理学学士（统计与管理学院，数理统计专业）
2021年7月 - 至今，上海财经大学 统计与数据科学学院，副教授
2019年2月 - 2021年6月，上海财经大学 统计与管理学院 助理研究员
2018年2月 - 2019年1月，University of Waterloo 和 Simon Fraser University 访问学者
已发表或接收论文：
1. Guo, S., Xu, M. & Liu, X.* (2022+). Ultra-high dimensional change point detection. Journal of Multivariate Analysis. Accepted.
2. Liu, X., Zheng, Q., Shen, X., & Wang, S. 2022. An iterative learning algorithm to learn from positive and unlabeled examples. Statistica Sinica, 32, 1-22. https://doi.org/10.5705/ss.202020.0287
3. Liu, X. & He, W. 2022. Adaptive kernel scaling support vector machine with application to a prostate cancer image study. Journal of Applied Statistics, 6(49), 1465-1484. https://doi.org/10.1080/02664763.2020.1870669
4. Zhao, B., Liu, X*., He, W. & Yi, G.Y. 2021. Dynamic tilted current correlation for high dimensional variable screening. Journal of Multivariate Analysis, 182, 104693. https://doi.org/10.1016/j.jmva.2020.104693
5. Liu, X., Yi, G.Y., Bauman, G., & He, W. 2021. Ensembling imbalanced-spatial-structured support vector machine. Econometrics and Statistics, 17, 145-155. https://doi.org/10.1016/j.ecosta.2020.02.003.
6. Fang, Z., Li, W., Liu, X., Pu, X. & Xiang, D. (2021+). Online monitoring of high-dimensional binary data streams with application to extreme weather surveillance, Journal of Applied Statistics. To appear. https://doi.org/10.1080/02664763.2021.1971633
7. Shao, J., Liu, X.* & He, W. 2021. Kernel Based Data-Adaptive Support Vector Machines for Multi-Class Classification. Mathematics, 9(9), 936. https://doi.org/10.3390/math9090936
8. Liu, X., Zhao, B., & He, W. 2020. Simultaneous feature selection and classification for data-adaptive kernel-penalized SVM, Mathematics, 8(10), 1846. https://doi.org/10.3390/math8101846
9. Liu, X., Wu, J., Yang, C. & Jiang, W. 2018. A maximal tail dependence-based clustering procedure for financial time series and its applications in portfolio selection. Risks, 6(115),1-18.
10. Yang, C., Liu, X., Wu, J., Li, Z & Jiang, W. 2018. Clustering of financial time series using jump tail dependence coefficient. Statistical Methods and Applications, 27(3), 491-513.
工作论文：
1. Zhang, Z. & Liu, X. A novel deep support vector clustering algorithm for unsupervised and semi-supervised learning. Submitted to NeurIPS 2022. Under Review.
2. Wang, S., Shi, H. & Liu, X. Simultaneous dimension deduction and drediction using networks. Submitted to NeurIPS 2022. Under Review.
3. Zhang, Z., Chen, S. & Liu, X. A Novel update and propagation-based dynamic graph neural network with application to consumer finance data. Submitted to ACMKDD 2022. Under Review.
4. Che, Y., Chen, S. & Liu, Xin. Sparse index tracking portfolio with sector neutrality.
Submitted to Electronic Journal of Statistics. Under review.
5. Chen, S., Liu, X. & He, W. Grouped variable selection in joint modeling using block coordinate gradient descent method. Submitted to Canadian Journal of Statistics. Under review.
6. Li, W., & Liu, X. Simultaneous variable selection and covariance estimation in high dimensional linear mixed model. Submitted to Canadian Journal of Statistics. Under review.
