5月14日，第49期百年校庆杰出学者讲座在柳林校区弘远楼408会议室举办，本期讲座以“Transfer Learning Under High-Dimensional Network Convolutional Regression Model高维网络卷积回归模型下的迁移学习”为主题，由中国人民大学黄丹阳教授主讲，小妲己直播
副院长兰伟教授担任主持。40余名师生参与了本次讲座。
讲座中，黄丹阳教授深入探讨了网络化数据迁移学习中处理依赖关系的前沿问题。针对现有研究在独立设置下处理多种分布变化的迁移学习虽有进展，但在网络化数据依赖关系处理方面存在不足的情况，她提出了基于网络卷积回归（NCR）的高维迁移学习框架。该框架受图卷积网络（GCN）启发，通过让节点响应依赖自身及邻居聚合特征引入随机网络结构，有效捕捉局部依赖关系。同时，该方法包含解决源网络与目标网络领域偏移的两阶段迁移学习算法，以及识别信息量充足源域的源检测机制。在基于 Erdős–Rényi 模型假设的随机图理论框架下，黄丹阳教授分析了lasso估计器的性能，充分探讨了随机网络结构对于参数估计误差的影响，证明存在信息量充足的源域时，迁移学习能显著提高收敛速率。
为验证方法的有效性，黄丹阳教授团队进行了模拟实验和基于新浪微博真实数据集的实证评估。模拟实验结果表明，在不同场景下，该方法在利用源数据提升目标任务性能方面表现优异，尤其在源数据样本量增加时，估计误差显著降低；在源-目标域转移较小时，能保持良好性能；且对源-目标网络参数差异具有较强的鲁棒性。在真实数据应用中，以预测新浪微博用户活动为例，该方法相较于其他基线方法，能显著提高预测准确率，充分展示了其在实际场景中的应用价值。
讲座最后，黄丹阳教授与现场师生进行了互动交流，分享了该研究在未来的潜在发展方向，如将理论结果扩展到更现实的网络生成机制、拓展到高阶卷积以及适配多层或异质网络等，鼓励大家共同探索网络化数据迁移学习中的更多挑战与机遇。
初审：杨森慧
复审：兰伟
终审：董春
