7月17日上午，美国波士顿大学（Boston University）教授Yannis Paschalidis应邀来我院进行学术交流，并连续做了两场高质量的学术报告，题为“Learning Predictive Models from Observed Network Equilibria: From Transportation to Metabolic Networks”和“Ditributionally Robust Learning and Applications to Predictive and Prescriptive Health Analytics”。报告会由我院袁烨教授及卢森堡大学（University of Luxembourg）Jorge Goncalves教授主持，我院30余名教师学生参加了此次报告会。

Yannis Paschalidis教授是波士顿大学（BU）工程学院的教授，同时兼任电子与计算机工程系、系统工程分部和生物医学工程系教授。他现任波士顿大学信息与系统工程中心（CISE）的主任。同时，他还任职于生物分子工程研究中心（BMERC）、临床与转化转化科学研究所（CTSI）、精密诊断中心（PDC）和拉菲克·B·哈里里计算和计算科学与工程研究所。

Yannis Paschalidis教授的第一场报告是关于一种基于数据驱动的网络均衡模型估计方法。均衡模型在博弈论、交通科学、细胞代谢等领域都有广泛的存在。然而，对这些模型的输入往往难以估计, 而它们的输出（即它们所要描述的均衡）往往是直接可见的。通过将逆向优化思想与变分不等式理论相结合, Yannis教授提出了一种有效的数据驱动技术，用于从观测到的平衡来估计这些模型的参数。该框架允许参数和非参数估计,并提供了估计数量质量的概率保证。在清晰介绍了该方法的基础上，Yannis教授介绍了其在交通网络和生物化学网络中的应用。

第二场报告是关于分布式鲁棒学习方法及其在医学预测诊断领域的应用。在医学应用的驱动下,假设训练数据被污染（未知的）异常点, 这会影响模型的参数。Yannis教授提出的鲁棒学习方法能够防范这些异常,并学习与非外围数据相一致的模型参数。同时，Yannis教授对该方法的性能建立了严格的样本保证,并开发了非线性模型的扩展,在这种情况下,不同的预测模型用于不同的数据簇, 甚至单个数据点。除了预测之外,还可以利用该鲁棒预测模型做出决策,并提供具体的个性化处方和建议。

Yannis教授的报告内容十分充实，讲解十分清晰，同学们也积极地提问交流。Yannis教授用中文“谢谢”作为报告会的结束语，并表达了对于此次受邀来访的感谢。