在健康大数据迅猛发展的今天，从电子病历、医学影像到可穿戴设备，海量、多源且高维的健康数据正在不断产生。如何从这些复杂数据中提取科学证据、揭示疾病机制并指导临床与公共卫生决策，已成为现代医学与生命科学面临的核心挑战。生物统计学正是在这一背景下发挥关键作用的基础学科与方法学支柱。生物统计学是统计学与生命科学深度融合的交叉学科，其核心在于利用严谨的统计理论与方法，对健康相关研究进行科学设计，并对所产生的数据进行分析与解释。...

随着信息技术的飞速发展，海量数据的涌现使得数据维度（变量个数）往往远大于样本量，这一现象被称为“维数灾难”。高维统计推断致力于解决这一核心挑战，通过构建正则化方法、变量筛选技术以及降维算法，在稀疏性假设下实现对关键特征的精准识别与模型估计。该领域不仅关注预测的准确性，更强调统计推断的严谨性，包括模型选择的一致性（Oracle 性质）、参数的置信区间以及假设检验的有效性。高维统计推断在基因组学、生物医学、金融风险管理及大规模机器学习等前沿领域发挥着至关重要的作用。...

当前，试验设计与抽样技术处于传统统计理论优化升级与数字化技术深度融合的发展阶段，整体呈现精准化、智能化、场景化的发展趋势。在理论层面，完全随机、分层、整群抽样以及正交、响应面等经典方法不断完善，同时涌现出重随机化实验设计、分层拒绝抽样等优化模型，有效改善了复杂异质总体下的样本偏差与协变量失衡问题，显著提升了统计推断精度与实验可重复性。在技术层面，大数据与人工智能突破了传统小样本、静态抽样的局限，面向高维、...

团队聚焦于数据挖掘、机器学习与深度学习，以及作为理论基石之一的贝叶斯推断。在数据挖掘方面，我们关注从海量、异构、高维数据中提取隐藏模式，涵盖大规模图的网络分析、时空数据挖掘及异常检测机制，并注重挖掘结果的可解释性与因果性。在机器学习与深度学习领域，我们致力于研究算法的泛化能力、鲁棒性与计算效率，探索自监督学习、多模态学习以及大模型的推理优化，解决噪声数据在动态环境下的高效学习范式。而贝叶斯推断作为处理不确定性的核心方法，...

随着卫星遥感、实地观测以及地理信息系统等数据获取手段的不断发展，大范围、高分辨率的空间与时空数据日趋普遍，其分析方法也因此引发了统计学界的广泛关注。然而，这类数据在为统计建模提供丰富素材的同时，也带来了一系列新挑战。第一，空间与时空数据通常具有不可忽略的相关性结构，需对其相依特征进行准确刻画。第二，大范围乃至全球尺度的数据往往表现出显著的非平稳性与异质性，使传统平稳模型不再适用。第三，空间与时空建模常涉及协方差（...

面对金融市场波动加剧与风险结构持续演化的新形势，传统精算与金融模型在刻画状态切换与复杂风险方面面临新的挑战。本研究方向以精算与保险数学为基础，重点关注以下几个方面：破产概率及惩罚函数的理论与应用，马尔可夫状态变换框架下的最优分红决策，随机环境中的最优消费与投资策略，以及动态风险背景下的期权定价问题。围绕上述问题，致力于构建更具现实解释力的随机模型以及分析与控制方法，系统研究多状态、时变环境及复合风险驱动下的风险演化机制与最优决策结构。...

统计信号处理是现代通信系统的重要理论基础，通过概率建模与数据分析方法，对复杂环境中的信号进行检测、估计与优化，在不确定性条件下提升信息传输的可靠性与效率。随着新一代通信技术的发展，面向6G及空天地海一体化网络的多场景、多尺度通信需求不断涌现，信道环境更加复杂多变，对信号处理方法提出了更高要求。统计信号处理通过融合模型驱动与数据驱动方法，可实现对动态信道特性的精准刻画与自适应处理，在无线通信、卫星通信及光通信等领域发挥关键作用，...