사단법인 한국통계학회

본문 바로가기
사이트 내 전체검색

학술대회SEMINAR

학술대회안내

HOME > 학술대회 SEMINAR > 학술대회안내

2019년 춘계학술논문발표회 및 임시총회 안내

페이지 정보

첨부파일

본문

2019년 춘계학술논문발표회 및 임시총회가 강원대학교에서 5월 24일(금)~25일(토) 양일간 개최될 예정입니다. 논문발표, 학회장초청강연, 특별초청강연, Tutorial 및 리셉션 등 다양한 프로그램으로 진행될 예정이오니, 회원여러분들께서는 다음 사항을 참고하시어 학술논문발표회가 성공리에 개최될 수 있도록 많은 관심과 참여를 부탁드립니다. 감사합니다.

                                                        - 다 음 -             
■ 일 시 : 2019년 5월 24일(금)∼25일(토)
■ 장 소 : 강원대학교
■ 주 최 : (사)한국통계학회
■ 주 관 : (사)한국통계학회, 강원대학교, 강원대학교 정보통계전공

■ 일 정 : 첨부파일 참조

■ 논문접수
 [접수방법] 학회 홈페이지(http://www.kss.or.kr)에서 온라인 접수(우편, Email 접수 불가)

■ 포스터 논문 개별 제작 안내
  기존에 학회에서 일괄 접수하여 제작한 포스터는 발표자가 직접 제작하여 현장에 지참하는 것으로 변경되었습니다. 다만 포스터파일은 논문상 심사용으로 행사 개최 일주일전인 5월 17일(금)까지 온라인으로 접수받을 예정이며 제작방법은 홈페이지를 참고하시기 바랍니다(크기 841mm × 1189mm A0 사이즈, 1페이지). 기한 내 포스터파일을 제출하지 않거나 행사 당일에 지참하지 않을 시 논문상 심사대상에서 제외됨을 알려드립니다.    
■ 사전등록 안내
학술논문발표회의 원활한 진행을 위하여 아래와 같이 사전등록을 받고자 합니다. 회원과 비회원의 참가비가 차등 부과되고 당해 연도 회비가 완납되어야 회원가로 적용되오니, 이점 착오 없으시기 바랍니다.
[등 록 일] 2019년 3월 11일(월)∼5월 7일(화)
[등록방법] 학회 홈페이지(http://www.kss.or.kr)에서 온라인 접수
[납부방법] 계좌송금(한국씨티은행, 186-00189-257, 예금주: 한국통계학회, 반드시 본인이름으로 송금) 신용카드 결제(학술논문발표회 웹페이지 상에서 가능)
※ 당일등록은 현금결제만 가능하오니, 카드결제는 꼭 사전등록기간을 이용하시기 바랍니다.
※ 사전등록 취소 신청시 5월 13일(월)까지는 100%, 5월 20일(월)까지는 50%를 환불하며 이후에는 취소 신청을 하더라도 환불이 불가능합니다.
※ 그 동안 무료로 제공하였던 리셉션은 참가 신청에 허수가 많아 이번부터 약간의 참가비를 받기로 하였습니다. 이 비용은 리셉션에서 경품 제공 등으로 참가자를 위해 사용될 예정입니다. 취소신청은 참가비 취소신청 기한과 같고, 사전등록 기간 내 신청한분에 한하여 입장 가능합니다. 당일 등록하시는 분들은 입장이 불허될 수 있사오니 사전에 신청바랍니다.

■ 특별초청강연 1 연사 소개 및 초록
∙ Ming Yuan(Columbia University)
 지금 가장 각광받고 있는 젊은 학자 중 한명으로 2003년 위스콘신 대학에서 박사를 받은 후  조지아 공대와 위스콘신 대학 교수를 역임한 후 현재 컬럼비아 대학교에 통계학 교수로 재직 중이다. 공분산 행렬추정과 벌점화를 이용한 변수선택 등에 많은 연구업적을 남겼으며 100여편의 논문을 JASA, JRSS-B, Annals of Statistics, Biometrika등 주요저널에 발표하였다. 현재 Annals of Statistics 공동편집장이며 IMS Program Secretary로 활동 중이며 NSF CAREER Award (2009), Royal Statistical Society의 Guy Medal in Bronze (2014), Leo Breiman Junior Award (2017)를 수상하였고 2018년 IMS meeting에서 Medalilion  lecturer로 선정되었다. 
Title: Low Rank Tensor Methods in High Dimensional Data Analysis Large amount of multidimensional data in the form of multilinear arrays, or tensors, arise routinely in modern applications from such diverse fields as chemometrics, genomics, physics, psychology, and signal processing among many others. At the moment, our ability to generate and acquire them has far outpaced our ability to effectively extract useful information from them. There is a clear demand to develop novel statistical methods, efficient computational algorithms, and fundamental mathematical theory to analyze and exploit information in these types of data. In this talk, I will review some of the recent progresses and discuss some of the present challenges.

■ 특별초청강연 2 연사 소개 및 초록
∙ Qiwei Yao(London School of Economics)
 1987년 Wuhan 대학에서 박사학위를 받은 후 University of Kent에서 교수로 재직하였고 현재 London School of Economics 교수로 재직 중이다. Yao교수의 주요 연구분야는  시계열 분야이며 high-dimensional time series, nonlinear times series, dynamical network modeling 등의 분야에 100여 편의 논문을 발표하였다. Jianqing Fan 교수와 더불어 2권의 책 (Nonlinear Times Series (2003)와 The Elements of Financial Econometrics (2015))을 출간했으며  현재 Annals of Statistics,  JASA, Journal of Business and Economics Statistics AE로 활동하고 있으며 Statistica Sinica와 JKSS co-editor를 역임하였다. ASA와 IMS fellow로 선출되었으며 2015 ICSA Outstanding Service Award를 수상하였다.

Title : Multiple Forecasting based on Time Series PCA
 When forecasting large number of time series, the conventional wisdom is to forecast each time series separately, as the potential gain from looking into the cross correlations is typically cancelled out by the estimation errors.

 We extend the principal component analysis (PCA) to vector time series in the sense that we seek for a contemporaneous linear transformation for a p-variate time series such that the transformed series is segmented into several lower-dimensional subseries, and those subseries are uncorrelated with each other both contemporaneously and serially. Therefore those lower-dimensional series can be forecasted separately. Technically it boils down to an eigenanalysis for a positive definite matrix. When the number of time series is large, an additional step is required to perform a permutation in terms of either maximum cross-correlations or FDR based on multiple tests. Numerical illustration with real data indicates that the forecasting based this new PCA outperforms those based on the original time series --- a phenomena can be clearly understood analytically.

 The approach can be extended to forecasting multivariate volatility process, or a bundle of curve time series.
■ Tutorial 소개
∙ Title : Beyond Traditional Statistics: Object Oriented Data Analysis (정성규, 서울대 교수)
 과학적 도구와 계산기술의 발달은 현대 통계학 또는 데이터과학에 큰 변화와 도전을 주고 있다. 데이터의 양의 늘어날 뿐 아니라, 더 복잡한 형태의 데이터도 대두되고 있는 것이 현재의 추세이다. 통계학자들은 숫자로 관측된 자료를 정리하고 그에 기반한 추론을 하는데는 익숙하지만, 데이터의 형태가 숫자가 아닐 때는 어떻게 해야 할까? 예를 들어, 데이터의 기본 형태가 인구피라미드이거나, 인간 뇌의 해마(hippocampus)의 모양일 때 기존의 회귀분석 또는 다변량분석의 기법을 그대로 적용할 수 있을까? 이러한 다양한 형태의 데이터를 다루는 틀로서, 사물기반 자료분석 (Object Oriented Data Analysis; OODA)이 대두되었다. 본 튜토리얼에서는 함수, 스펙트라, 형상, 계통수 등의 다양한 사물을 자료분석의 기본원소로 두는 OODA의 개념을 소개하고, 함수 및 형상분석 등 OODA의 몇 가지 사례를 살펴본다.