2025年5月10日-11日，中国现场统计研究会贝叶斯统计分会成立大会暨首届学术年会在北京信息科技大学隆重召开。本次会议聚焦贝叶斯统计理论与方法的发展与应用，吸引了国内外众多知名专家学者、青年才俊参会。北京航空航天大学数学科学学院教授罗雪与两名博士研究生张岩昊、罗祎祺参会并做分组学术报告，充分展现了我院在统计学领域的科研实力与青年人才培养成果。
罗雪教授介绍了一种基于贝叶斯框架的组合预测方法，旨在应对传统概率预测模型中由动态经济环境带来的不确定性。该方法通过融入多样性正则化反馈机制，结合粒子滤波算法，能动态调整组合模型中各子模型的时变权重，并实时监测惩罚相关性较强的预测因子。在宏观经济与大宗商品的实证分析中，该方法相比传统模型，点预测误差降低了23%，概率密度预测精度提升了15%，展现出更强的适应性和鲁棒性，为复杂经济环境中的决策支持提供了新的技术路径。
2022级博士研究生张岩昊在导师夏勇教授的指导下与博士生朱之翰合作研究了簇稀疏贝叶斯学习。对预设块信息敏感是块稀疏学习领域长期存在的问题。报告中提出了一种自适应块估计的簇稀疏先验。基于此设计的簇稀疏贝叶斯学习方法有效解决了块稀疏学习领域中长期以来对预设块信息敏感的难题；针对过拟合与欠拟合的传统难题。通过创造性地引入“隐约束”框架，为这一传统难题提供新的解决思路。同时，建立了模型的最优性理论，在多模态测试中相较于现有方法提升近一个数量级。报告内容已发表在人工智能与机器学习国际顶级会议The Thirty-eighth Annual Conference on Neural Information Processing Systems (NeurIPS 2024）上。
2023级博士研究生罗祎祺介绍了非参数贝叶斯密度估计中的混合模型收敛率问题，旨在构造一种能够达到极小极大最优收敛速率的高灵活性先验。通过将未知密度函数表示为正交多项式的加权和，并为权重系数构建了服从指数族分布的“筛先验”，同时施加了连续性和有界性等约束，进而证明了在此先验下贝叶斯后验可以达到极小极大最优收敛速率。
