教学研究2026-11-13

复旦大学|复旦管院再添顶刊论文:包亚杰助理教授在JASA发表“一人一策”模型选择研究

复旦大学管理学院统计与数据科学系助理教授包亚杰与合作者的论文在统计学顶级期刊《美国统计学会会刊》(JASA)在线发表,提出CROMS模型选择框架与CROiMS个体化方法,以最小化下游决策损失为选模型标准,在新冠胸片等真实数据上显著降低决策损失,实现共形预测领域首次协变量感知的个体化模型选择。

复旦大学院校官方· 来源:复旦大学管理学院官网

复旦大学管理学院统计与数据科学系助理教授包亚杰与合作者的论文《Optimal model selection for conformalized robust optimization》在统计学领域顶级期刊《Journal of the American Statistical Association》在线发表。

研究背景

在医疗诊断、自动驾驶等高风险场景中,传统做法是选出在整体人群中平均表现最好的“通用最优”模型供所有人使用,但对具体个体并不一定最合适;鲁棒优化方法凡事考虑最坏情况,虽安全却过于保守。上下文鲁棒优化(CRO)结合个体特征生成以目标概率包含真实病情的预测集合,共形预测技术可为集合提供统计保障,但既有研究习惯以“预测集合大小”挑模型,集合更小并不意味着据此制定的决策更优。

研究方法

团队提出CROMS完整研究框架,直接以最小化下游实际决策损失作为选模型的核心标准,把共形预测集合构建与决策风险控制融为一体,开发三款适配不同需求的算法:E-CROMS计算速度快、大样本下决策效果渐近最优,适合算力有限、样本量大的场景;F-CROMS严格保障有限样本下的统计可靠性、不依赖数据分布,代价是计算开销较高;J-CROMS兼顾计算效率与统计保障,是两者的实用折中。

研究结论

团队进一步拓展出CROiMS个体化模型选择框架:面对不同患者,系统根据其自身影像特征专门挑选适配的AI模型,实现共形预测领域首次协变量感知的个体化模型选择。在分类、回归仿真数据以及真实新冠胸片医疗数据集上的实验显示,对比随机选模型与传统端到端基准方法,该框架能显著降低决策损失,CROiMS在不同人群分组中均取得更优决策效果。研究创新体现在三方面:革新评判标准,将模型选择标尺从间接的集合尺寸切换为实际决策损失;提供多套算法供按算力与安全要求灵活选用;支持个性化决策,为医疗等高风险个性化应用提供统计学理论支撑。

科研心声

包亚杰在访谈中回顾了从数理课程兴趣到确定科研方向的过程,感谢韩东、任好洁、邹长亮等导师的指导,并提到“Done is better than perfect”——找到有意义的问题后应优先明确方法、完成阶段性成果。

信息来源
复旦大学管理学院官网
本页面信息由 AI 采集、人工审核后发布,转载标注原始来源;如有出入请以原始来源为准。

教学研究相关资讯