2019年10月22日，我院举办的“统计大讲堂”第九十六讲在明德主楼1016举行🖐🏼。本次报告邀请了香港城市大学数学系练恒博士分享了他与学生的最新研究成果。我院许王莉教授主持了此次报告会。

许王莉教授首先介绍了报告人。

练恒🤘🏼，现任香港城市大学数学系副教授，于2000年在中国科学技术大学获得数学和计算机学士学位🚶‍♀️‍➡️，2007年在美国布朗大学获得计算机硕士🙀，经济学硕士和应用数学博士学位。研究方向包括高维数据分析，函数数据分析👱🏿‍♂️，机器学习等👨‍🦯‍➡️。在《Journal of the Royal Statistical Society，Series B》、《Journal of the American Statistical Association》等国际期刊上发表高水平学术论文30多篇。

练恒博士的报告题目是🧑‍🎓：Multilinear Low-Rank Vector Autoregressive Modeling via Tensor Decomposition。练恒博士首先介绍了研究问题的背景🏇🏽。随着数据收集能力的增强以及各领域专家所研究问题的逐渐复杂，数据不光在时间不断增加🔟，协变量的数量也在不断增长🦑。传统的向量自回归（vector autoregression）模型不能很好地处理这种高维数据🛌🏻，需要对模型参数加惩罚，而降秩回归（reduce-rank regression）并没有考虑到此问题天然的张量结构。练恒副教授提出了一种基于张量分解（tensor decomposition）的向量自回归模型，并在高维背景下研究了模型的渐进性质。数值模拟表明🥅，这种考虑到张量结构的模型比降秩回归效果更好。

报告结束后在场师生与练恒博士关于张量与矩阵渐进问题的区别🙉、张量秩的定义、高维时算法收敛性等问题进行了热烈讨论🙉。