사단법인 한국통계학회

본문 바로가기
사이트 내 전체검색

학술대회SEMINAR

학술대회안내

HOME > 학술대회 SEMINAR > 학술대회안내

2019년 추계학술논문발표회 및 정기총회 안내

페이지 정보

첨부파일

본문

2019년 추계학술논문발표회 및 정기총회가 서울시립대학교에서 11월 8일(금)~9일(토) 양일간 개최될 예정입니다. 논문발표, 학회장초청강연, 특별초청강연, Tutorial 및 리셉션 등 다양한 프로그램으로 진행될 예정이오니, 다음 사항을 참고하시어 학술논문발표회가 성공리에 개최될 수 있도록 많은 관심과 참여를 부탁드립니다. 감사합니다.


                                                 - 다 음 -            
■ 일 시 : 2019년 11월 8일(금)∼9일(토)
■ 장 소 : 서울시립대학교
■ 주 최 : (사)한국통계학회
■ 주 관 : (사)한국통계학회, 서울시립대학교 통계학과
■ 일 정 : 첨부파일 참조

논문발표신청 및 사전등록에 대한 사항은 첨부파일 및 학회 홈페이지 "학술대회" 메뉴를 참조하시기 바랍니다.

■ 특별초청강연 1 연사 소개 및 초록
∙ Regina Liu(Rutgers University)
 Rutgers대학 통계학과 석좌교수 겸 학과장으로 재직 중인 여성 통계학자로 현재 JASA Theory and Methods 공동편집장을 맡고 있다. 2020년에 IMS president 취임예정이며 ASA와 IMS fellow로 선출되었고 IMS Medallion lecturer로 선정된 바가 있다. 또한 Journal of Multivariate Analysis 편집장과 Annals of Statistics 편집위원을 역임하였으며 최근 각광을 받고 있는 fusion learning을 비롯하여 data depth, aviation risk analysis 등 다양한 분야에서 왕성한 연구 활동을 하고 있다.

Title: Prediction with Confidence – General Framework for Predictive Inference  We propose a general framework for prediction in which a prediction is in the form of a distribution function, called ‘predictive distribution function’. This predictive distribution function is well suited for prescribing the notion of confidence under the frequentist interpretation and  providing meaningful answers for prediction-related questions. Its very form of a distribution function also lends itself as a useful tool for quantifying uncertainty in prediction. A general approach under this framework is formulated and illustrated using the so-called confidence distributions (CDs). This CD-based prediction approach inherits many desirable properties of CD, including its capacity to serve as a common platform for directly connecting the existing procedures of predictive inference in Bayesian, fiducial and frequentist paradigms. We discuss the theory underlying the CD-based predictive distribution and related efficiency and optimality. We also propose a simple yet broadly applicable Monte-Carlo algorithm for implementing the proposed approach. This concrete algorithm together with the proposed definition and associated theoretical development provide a comprehensive statistical inference framework for prediction. Finally, the approach is demonstrated by simulation studies and a real project on predicting the volume of application submissions to a government agency. The latter shows the applicability of the proposed approach to even dependent data settings.
 This is joint work with Jieli Shen, Goldman Sachs, and Minge Xie, Rutgers University.


■ 특별초청강연 2 연사 소개 및 초록
∙ Alexandre Tsybakov(CREST, ENSAE)
 1991년 USSR Academy of Sciences에서 박사학위를 받은 후 파리 6대학의 Center for Research in Economics and Statistics (CREST-ENSAE)에 재직 중이며 현재 통계학과 학과장을 맡고 있다. 주요 연구 분야는 통계학습, 비모수 함수 추정, 고차원 통계이다. IMS Fellow로 선정되었으며 2015년부터 3년 연속 수학분야에서 가장 많이 인용된 학자들 중 한명으로 선정되었다.  2014년에는 ICM 통계학 분야 초청연사로 한국을 방문한 바 있다. 특히 저서 Introduction to Nonparametric Estimation (2009)는 이 분야 연구자의 필독서로 알려져 있으며 150여 편의 논문을 통계학 분야 주요저널에 발표하였다.

Title : Adaptive robust estimation in sparse vector model
 In the sparse vector model where the noise is not necessarily Gaussian and its variance is not necessarily known, we consider adaptive estimation of the target vector, of its Euclidean norm and of the noise variance. We construct adaptive estimators and establish the minimax optimal rates when adaptation is considered with respect to the triplet ”noise level - noise distribution - sparsity”. We consider classes of noise distributions with polynomially and exponentially decreasing tails as well as the case of Gaussian noise. The obtained rates turn out to be different from the minimax non-adaptive rates when the triplet is known. A crucial issue is the ignorance of the noise variance. Moreover, knowing or not knowing the noise distribution can also influence the rate. For example, the rates of estimation of the noise variance can differ depending on whether the noise is Gaussian or sub-Gaussian without a precise knowledge of the distribution. Estimation of noise variance in our setting can be viewed as an adaptive variant of robust estimation of scale in the contamination model, where instead of fixing the nominal distribution in advance, we assume that it belongs to some class of distributions. Joint work with Olivier Collier, Laetitia Comminges, Mohamed Ndaoud.

■ 특별초청강연 3 연사 소개 및 초록
∙ Christian Robert(Paris Dauphine University)
 Paris Dauphine University에 재직 중이며 University of Warwick의 겸임교수로도 활동하고 있다. JRSS-B 공동편집장과 Annals of Statistics, Bayesian Analysis, JASA, Statistics Science의 편집위원을 역임했으며 현재 Biometrika의 Dupty Editor로 활동 중이다. 또한 International Society of Bayesian Analysis 회장을 역임했으며 IMS, ASA, ISBA fellow로 선정되었다. 특히  Bayesian분야의 베스트셀러인 Monte Carlo Statistical Methods (2004)와 Bayesian Core (2007)를 집필하였으며 본인의 블로그 https://xianblog.wordpress.com를 통해 통계학분야의 흥미 있는 얘기를 전달하고 있다.

Title : Asymptotic Properties of Approximate Bayesian Computation
[Joint with David T. Frazier, Gael M. Martin, and Judith Rousseau]
 Approximate Bayesian computation (ABC) is becoming an accepted tool for statistical analysis in models with intractable likelihoods. With the initial focus being primarily on the practical import of ABC, exploration of its formal statistical properties has begun to attract more attention. In this paper we consider the asymptotic behavior of the posterior obtained from ABC and the ensuing posterior mean. We give general results on: (i) the rate of concentration of the ABC posterior on sets containing the true parameter (vector); (ii) the limiting shape of the posterior; and (iii) the asymptotic distribution of the ABC posterior mean. These results hold under given rates for the tolerance used within ABC, mild regularity conditions on the summary statistics, and a condition linked to identification of the true parameters. Using simple illustrative examples that have featured in the literature, we demonstrate that the required identification condition is far from guaranteed. The implications of the theoretical results for practitioners of ABC are also highlighted.

■ Tutorial 소개
∙ Title : Data Privacy: Dial P for ??? (박민정, 통계청 통계개발원 사무관)
 4차 산업혁명시대를 대비하여 데이터를 폭넓게 제공해야 한다는 움직임이 활발하다. 데이터가 일종의 자원이며, 데이터를 활용하여 많은 부가가치를 창출할 수 있기 때문이다. 그러나 데이터를 제공할 때 한 가지 큰 걸림돌이 있다. 개인정보보호이다. 아무리 직접적인 식별자, 예를 들어, 이름 주소 등을 제거하고 데이터를 제공해도 대용량 데이터에서는 변수들의 정보를 조합하여 개인을 식별하거나 민감한 정보를 알아내는 것이 가능하기 때문이다. 인공지능 시대에 이는 예전보다 훨씬 쉬운 일이 되어가고 있다.
 개인의 프라이버시는 보호하면서 데이터를 제공하기 위해 전통적으로 사용해 온 기법들을 매스킹(masking) 기법이라고 한다. 매스킹 기법은 정보의 노출위험을 낮추면서 정보의 손실도 줄이는데 많은 한계를 가진다. 이를 극복하고 자료를 적절히 제공하는 방안으로 재현자료(synthetic data) 및 차등정보보호(differential privacy)가 제안되었다. 재현자료는 통계학의 다중대체를 근간으로 하며, 차등정보보호는 전산학 전공자에 의해 제안되었다. 한편 이처럼 여러 방안들 중에서 그래서 과연 어떤 방식으로 데이터를 안전하게 만들어 제공하는 것이 좋은지 결정할 수 있어야 한다. 때문에 노출위험 측도와 정보손실 측도를 이해하고 위험-유용성(risk-utility) 관점에서 각 방안들을 해석하는 것이 바람직하다. 본 발표에서는 위험-유용성 측면에서 재현자료와 차등정보보호를 이해해 보고자 한다.