近日，暨南大学经济学院学术系列活动之统计学系列Seminar第200期在石牌校区经济学院大楼（中惠楼）403室成功举行。本次讲座特邀华东师范大学经济与管理学部郁淼淼副教授担任主讲人，主题为“Enhancements of Communication-Efficient Distributed Statistical Inference and Its Privacy Preservation”的学术分享，暨南大学经济学院统计与数据科学系钟清枝助理教授主持讲座，经济学院师生到场参与交流。
郁淼淼副教授开展学术讲座
在本次讲座中，郁淼淼教授首先梳理分布式统计推断在数据传输与隐私保护背景下面临的核心挑战。她指出，传统分布式算法尽管通过传输汇总统计量（如局部估计量）来降低通信成本，但往往难以兼顾统计精度、通信效率与数据安全三者之间的平衡。尤其是在梯度信息反复传输场景下，现有方法容易遭受推断攻击等隐私威胁。
在此基础上，郁教授提出本文的核心创新机制——融合差分隐私约束的通信高效分布式估计算法。该机制通过引入拉普拉斯噪声对局部估计量进行扰动，使得传递的信息满足差分隐私，从而量化隐私保护强度；同时，利用泰勒展开和局部二阶信息的聚合，构造出一个近似全局损失函数，在保护隐私的前提下保持了与全局估计量相同的渐近收敛速率。
在理论构建部分，郁教授介绍如何利用大样本性质平衡隐私保护与统计精度。她推导了隐私保护估计量的均方误差上界，并证明其与非隐私的改进型分布式算法具有相同的主项，仅在高阶项上因隐私预算而产生可控偏差。此外，她还给出了协方差矩阵的隐私保护估计方法，支撑后续的统计推断。
随后，她详细讲解实证识别策略与核心结果。通过线性回归、逻辑回归、泊松回归等模拟实验，以及基于加拿大气象站点数据的真实案例分析，展示了所提方法在隐私保护下仍然能逼近全局估计量的均方误差和拟合优度，且在通信失败情况下仍具有良好的鲁棒性。研究还通过不同隐私预算、机器数量与本地样本量的对比分析，排除了噪声过大或样本不均衡对结果的干扰。
互动环节中，与会师生围绕差分隐私预算的选取策略、通信失败情形下的估计鲁棒性、以及高维数据中噪声对统计精度的影响等议题展开了热烈且深入的研讨。大家尤其关注如何在隐私保护强度与参数估计效率之间实现最优权衡，以及所提方法在联邦学习、医疗数据共享等实际场景中的推广可能。本场讲座理论严谨扎实、实证设计精巧，聚焦分布式统计推断中的隐私保护这一核心前沿问题，为理解通信约束与数据安全下的高效估计方法提供了全新视角，兼具理论创新性与现实参考价值，有效开拓了与会师生的学术思路。讲座最终在浓厚的学术氛围中圆满落幕。
学者简介
郁淼淼, 华东师范大学副教授，曾任香港科技大学、华东师范大学博士后，研究方向包括大数据分析、隐私保护、质量过程控制。主持国家级项目一项、省部级项目两项，在包括Journal of Econometrics, Journal of Machine Learning Research, Annals of Applied Statistics, Statistica Sinica, Journal of Quality Technology, IISE Transactions等杂志上发表学术论文近三十篇。荣获上海市浦江人才计划、“超级博士后”等荣誉称号。
责编 | 马艺丹
校对 | 彭毅
初审 | 钟清枝
复审 | 王国长
终审发布 | 何凌云
（来源：暨南大学经济学院微信公众号）
