报 告 人：朱利平 教授

报告题目：A Goodness-of-fit Assessment for General Learning Procedure in High Dimensions

报告时间：2024年10月27日（周日）上午10：00

报告地点：静远楼1506学术报告厅

主办单位：数学研究院、数学与统计学院、科学技术研究院

报告人简介：

        朱利平，中国人民大学教授、博士生导师，学校和理工学部学术委员会委员，统计与大数据研究院院长，人民教育出版社普通高中教科书《数学》联合主编，国家重大人才工程入选者，国家杰出青年科学基金获得者，国家重点研发计划首席科学家，兼任中国现场统计研究会生存分析分会理事长和高维数据统计分会副理事长等。先后受邀担任国际统计学领域顶级学术期刊《统计年刊》、国际权威学术期刊《中华统计学》和《多元分析》等副主编，以及国内统计学领域顶级学术期刊《中国科学·数学》（中、英文版）、《系统科学与数学》（中、英文版）和《应用概率统计》等青年编委、编委和副主编等。

报告摘要：

        Black-box learners have demonstrated remarkable success across various fields due to their high predictive accuracy. However, the complexity of their learning procedures poses significant challenges in evaluating whether a given learner has achieved optimal performance on datasets with unknown data-generating mecha-nisms. We propose a general goodness-of-fit test for assessing different learning procedures involving high-dimensional predictors, encompassing methods from classical linear regression to advanced neural networks. Our goodness-of-fit test leverages data-splitting, utilizing the test set to evaluate the black-box learner trained on the training set. This evaluation is based on examining the cumulative covariance of the residuals. Extensive simulations and two real data analyses validate the effectiveness of our method.