统计与数据科学系系列学术报告之五百二十一期

报告题目：A data-augmented predictive framework for generating fair synthetic labels with controlled fairness-faithfulness trade-offs。

报告将介绍fDA框架，该框架结合公平性强制模型与保真性保持模型，通过联合建模生成合成标签，并支持对公平性与保真性权衡的经验校准。对于连续型和有序标签，该方法提供明确的调节机制，理论分析表明其在极端情况下分别收敛至原始标签或公平参考分布。

实验结果显示该方法相比基于GAN的基线方法具有更可解释的权衡表现和更高的保真度。

Dr. Bei Jiang 是阿尔伯塔大学数学与统计科学系的正教授，加拿大CIFAR AI讲席教授，以及阿尔伯塔机器智能研究所（Amii）会士。她的研究聚焦于可信人工智能的统计基础，涵盖数据隐私、算法公平性、不确定性量化、联邦学习及复杂异质数据的统计学习。

她在《美国统计协会杂志》、《统计年鉴》、《机器学习研究杂志》、NeurIPS、ICML和ICLR等顶级统计与机器学习期刊会议上发表了大量论文。现任《Statistics Surveys》联合主编、《美国统计协会杂志》副编辑、NeurIPS 2026领域主席。

曾获2025年COPSS新兴领袖奖和阿尔伯塔大学理学院科研奖。