2025 聯合統計會議與會心得

我於2025年8月2日至7日，前往美國田納西州納什維爾 (Nashville, Tennessee) 參加了聯合統計會議 (Joint Statistical Meetings, JSM)。此會議為全球統計學家與資料科學家的年度盛會，旨在提供學術交流、研究分享與人脈拓展的平台。

會議期間，我發表了個人近期研究：「網絡拓撲的不確定性及其在分佈外檢測的應用」(Uncertainty of Network Topology with Applications to Out-of-Distribution Detection)。本研究的核心在於提出一個創新的概念——「預測性拓撲不確定性」(predictive topological uncertainty, pTU)，並將其應用於貝氏神經網絡 (Bayesian neural networks)。pTU旨在量化模型與輸入資料互動時的不確定性，此方法對於提升「分佈外檢測」(out-of-distribution, OOD) 的效能至關重要，是確保人工智慧模型在面對未知數據時依然可靠的關鍵技術。

我參與的議程主題為「高維與計算系統中的高效學習與不確定性量化」，當中探討了多項前沿的貝氏統計方法與應用。重點報告包括：

1. 個人化系統設計的貝氏最佳化 (Bayesian Optimization, BO) 框架：提出一種新穎的BO框架，能根據個人化的共變數設計最佳系統，以最小化群體預期反應。
2. 高維動態系統的快速資料反演：開發一種可擴展的潛在因子模型，能從含噪聲的測量數據中高效進行參數估計，大幅降低計算複雜度。
3. 高效資源配置的多任務主動學習：介紹名為 ALCATRAz 的新框架，旨在預算限制下，智慧地分配學習資源給不同任務，以最大化模型的整體預測效能。

此次 JSM 2025 會議是一次收穫豐碩的寶貴經歷。議程中關於貝氏方法 (Bayesian methods) 與拓撲資料分析 (topological data analysis) 的深入探討，與我的研究方向高度契合，帶來了深刻的啟發。我得以和領域內的頂尖專家們交流我關於 pTU 的研究，並獲得了極具建設性的回饋與未來研究方向的建議。