2026年7月1日下午，美国加州大学戴维斯分校统计系丁秀才副教授来院作题为“Recent Advances in Multiview Manifold Learning for High-Dimensional and Noisy Data”的学术讲座，讲座由william威廉中文陈杰副教授主持，学院部分教师及博士、硕士研究生参加了此次讲座，现场学术氛围浓厚。

报告中，丁秀才教授围绕高维噪声数据下流形学习的最新研究进展展开系统介绍。首先，他从非线性降维问题出发，回顾了经典流形学习方法的发展历程，包括Diffusion Maps、Laplacian Eigenmaps、Isomap、LLE以及t-SNE等算法，并分析了传统方法在现代复杂数据分析中的局限性。随后，结合当前生物医学和人工智能领域的大规模数据特点，丁教授指出，现代数据普遍具有多视角、高维和强噪声等特征。

在应用方面，丁教授结合单细胞RNA转化率、病理切片、脑机接口、睡眠动态分析及睡眠呼吸暂停检测等典型案例，展示了多视角流形学习方法在复杂生物医学数据分析中的广泛应用。特别是在RNA转化率分析中，他介绍了如何利用流形上的切空间刻画细胞状态演化方向，为揭示细胞发育轨迹和疾病机制提供新的统计建模方法。

报告结束后，丁秀才教授与现场师生围绕流形方法在生物统计学中的应用、流形学习理论、高维统计推断及未来研究方向等问题进行了深入交流，对大家提出的问题进行了耐心细致的解答。现场讨论热烈，与会师生表示，此次报告内容丰富、视野开阔，不仅加深了对现代流形学习理论及其应用的理解，也为今后的科研工作提供了新的思路和启发。

本次学术报告进一步拓宽了学院师生的国际学术视野，加强了学院与国际知名高校之间的学术交流，对推动统计学、数据科学及人工智能交叉研究具有积极意义。

专家介绍：丁秀才目前担任加利福尼亚大学戴维斯分校（University of California, Davis）的统计学副教授，同时隶属于应用数学和生物统计学研究生项目。他于 2018 年获得多伦多大学博士学位，2018 至 2020 年在杜克大学担任博士后研究员，随后于 2020 年加入加利福尼亚大学戴维斯分校担任助理教授，并于 2025 年晋升为副教授。他的主要研究兴趣包括：深度学习的统计与数学基础、流形学习、大规模基础模型；高维统计学；平均场渐近分析与应用随机矩阵理论；非平稳时间序列分析；以及在生物与医学科学中的应用。他在概率和统计顶级期刊Annals of Statistics, Journal of the Royal Statistical Society Series B, Journal of the American Statistical Association, Biometrika, Annals of Applied Probability,IEEE Transactions on Information Theory，以及机器学习国际会议等顶级计算机科学会议上发表了多篇学术论文。他的研究得到了美国国家科学基金会、西蒙斯基金会（初级教师奖）以及微软公司的研究资助。