2026年模型平均、预测理论与机器学习前沿学术会议举行

9月19日，2026年模型平均、预测理论与机器学习前沿学术会议在北京大学光华管理学院举行。来自国内外六十余所高校的近150位专家学者、青年教师和博士生参加会议，围绕模型平均、混合专家模型、超高维统计、预测组合、区间预测与决策组合等前沿议题展开深度分享与交流。

开幕致辞

开幕式由北京大学教授涂云东主持，他代表组委会向参会者表示热烈欢迎。

涂云东

邹国华

首都师范大学特聘教授邹国华致开幕辞，他回顾模型平均会议从云南财经大学起步，先后在西安交通大学、华东师范大学、中国科学技术大学举办，今年已是第五届。他指出，我国学者在该领域已走在世界前列，新方法不断提出，理论体系日趋严密，研究队伍持续壮大，国家级人才不断涌现。他期待在原创成果和落地应用上取得更大突破，推动更多机器学习方法应用于模型平均，并寄语年轻学者积极参与。

大会报告

大会报告一

杨宇红

清华大学教授杨宇红围绕混合专家模型（MoE）的统计性质作报告。报告从局部聚合视角解释输入依赖路由、稀疏激活与共享专家的作用，分析模型逼近能力、估计误差与计算成本的权衡。MoE通过路由组合多个专家预测器，并仅激活少量专家处理单个输入，以扩大模型容量；但现有理论多关注参数化或模型正确设定情形，对实际架构设计的统计作用解释不足。研究将MoE视为局部聚合方法，在专家随学习过程变化的框架下，推导稠密与稀疏路由的预言风险界，区分逼近误差、专家学习误差和路由估计误差，说明稀疏Top-K路由可在控制单次输入计算量时保留局部聚合优势，为比较路由设计提供统计依据，并揭示专家学习与路由估计的联系。报告还从输入空间几何解释门控机制，将路由表现与专家局部预测优势区域联系；以DeepSeekMoE等共享专家为例，说明共享专家提取共同预测结构，使路由专家集中处理剩余局部变化。整体建立了理解输入依赖专家聚合的统一统计框架，为专家分工、路由设计及计算资源配置提供理论视角。本场报告由中国人民大学教授许王莉主持。

大会报告二

喻达磊

西安交通大学教授喻达磊围绕超高维模型平均的理论与方法作报告，重点讨论p > n下的模型组合。报告指出，超高维模型有重要理论与应用价值，但基本理论工具不足，既有模型平均方法常需人工预筛选；预筛选依赖特定相似性度量，不同规则会产生不同候选模型集，从而引入额外模型不确定性。研究借助随机矩阵理论，推导多模型岭估计损失函数表达式及尺度率，为超高维风险分析与权重选择提供基础；并提出新的修正广义交叉验证权重选择准则，用于超高维岭估计的模型平均。该准则是理论损失函数关于权重一致的强相合估计，可连接可计算权重选择与理论风险目标。理论上，研究建立几乎必然收敛意义下的最优模型平均结果，并证明在超高维且模型正确设定下，所提估计仍可能达到渐近最优损失。其贡献在于将随机矩阵理论引入多模型岭估计损失分析，形成从风险刻画、准则构造到最优性论证的路径，为理解超高维模型平均的适用条件与统计性质提供新思路。本场报告由西南财经大学教授陈雪蓉主持。

大会报告三

谢 天

新加坡管理大学副教授谢天作题为“From Data to Decisions: Operational and Economic Advantages of A New Ensemble Learning Approach to Online Medical Triage”的报告。报告以京东健康在线问诊为背景，指出线上分诊信息有限，误诊会导致重复问诊、等待增加、体验下降，进而影响平台成交与药品收益。研究将非结构化问诊文本通过Word2Vec、BERT、大语言模型等表示，并用PCA降维去噪；进而提出集成学习方法，组合多个候选模型以提升分诊预测。不同于只追求统计指标，该研究将预测误差与平台运营成本关联，把科室药品价格、等待时间和潜在收益损失纳入决策框架。实证表明，该方法表现较好，并能降低错误分诊造成的经济损失。谢天强调，在线医疗分诊是从“数据”走向“决策”的运营管理问题，统计与机器学习需贴近管理场景，将模型指标转化为商业指标。报告为模型平均与集成学习在运营管理中的落地提供了启示。本场报告由华东师范大学教授於州主持。

大会报告四

张新雨

中国科学院数学与系统科学研究院研究员张新雨作题为“Model Averaging and Related Topics”的报告。报告围绕模型平均在人工智能时代的应用，从使用、管理和研究人工智能三方面，探讨整合多模型信息以提高统计推断与决策有效性。张新雨指出，模型平均不仅可用于预测，还可拓展至损失函数和决策组合。多源预测辅助推断部分以体脂率分析为例：高质量测量成本高，研究用已有模型为未标注数据生成预测标签，辅助目标参数估计；针对预测偏差、分布差异和模型质量不一，通过分布校正与偏差修正构造损失函数并加权组合，以减小方差、缩短置信区间，理论实证均表明可保障推断有效性并提高精度。决策组合部分强调预测精度不等于决策效果，高估低估成本不同；研究直接对候选决策加权，并允许权重随输入特征变化，护士排班和大语言模型工具选择案例显示其能降低决策损失、兼顾输出质量与成本。报告最后指出，模型平均可为人工智能的使用、管理及模型研究提供方法支持，具有超越传统预测任务的潜力。本场报告由西安交通大学教授严晓东主持。

大会报告主持人

许王莉

陈雪蓉

於 州

严晓东

邀请报告（上午场）

邀请报告一

谢昕伶

西南财经大学讲师谢昕伶作题为“Structural Break-driven Optimal Subsample Forecast Combination for Factor-augmented Regressions”的报告，研究因子结构与预测关系同时发生结构突变时的高维宏观预测问题，以克服传统因子增广回归对结构稳定性的依赖。针对全样本预测偏差较大、仅用突变后样本又因样本量有限而方差较大的权衡，报告提出结构突变驱动的最优子样本预测组合框架：先识别距预测时点最近的结构突变并确定稳定区间，再构造向历史样本扩展的嵌套子样本，采用监督主成分分析（sPCA）提取与预测目标相关的公共因子，最后通过向前验证选择组合权重及子样本间距。理论上，研究建立了参数估计一致性、权重选择一致性及预测风险意义下的渐近最优性，并讨论候选模型包含正确设定模型和全部模型均误设的情形。模拟表明该方法总体均方预测误差较低；基于1980Q1—2025Q4美国季度宏观数据的通胀预测显示，其在结构不稳定与模型不确定性并存时能改善预测表现，体现稳健性与实际应用价值。本场报告由青岛大学教授李新民主持。

邀请报告二

赵勇超

厦门大学博士研究生赵勇超报告题为“FOCuS: Fiducial Optimal Combination Using Stacking for Predictive Densities”。报告聚焦多模型预测中的参数不确定性与模型不确定性，旨在构建无需主观先验、可直接刻画预测分布的模型平均方法。方法以广义Fiducial推断为基础，为各候选模型构造Fiducial预测密度，在权重约束下加权组合，并通过留一法确定组合权重，形成FOCuS；可视为将传统点预测与平方损失下的模型平均推广至预测密度与对数似然损失框架，同时反映模型内参数不确定性与模型间不确定性。理论上，研究证明留一准则能一致估计期望对数预测密度，FOCuS在Kullback–Leibler散度意义下渐近最优；当候选模型包含正确设定模型时，权重渐近集中于正确模型，并建立Fiducial预测区域的渐近覆盖性质、对Oracle预测区域的逼近，以及同方差线性模型下的有限样本精确覆盖率。模拟表明，该方法在点预测和区间预测中均具较强竞争力，尤其在分组异方差下能有效利用分布信息。核黄素产量预测实证进一步显示，FOCuS在保持名义覆盖水平的同时可获得较短预测区间，并通过稀疏组合权重提供模型解释信息。本场报告由中国科学院数学与系统科学研究院研究员孙玉莹主持。

邀请报告三

高 锋

北京工业大学助理研究员高锋作题为“Short-term Interval-valued Load Forecasting with a Combined Strategy of IHW and Multioutput Machine Learning”的报告。针对电力负荷兼具季节性、趋势性与非线性，传统点预测难以刻画峰荷、谷荷等极端负荷，报告研究日度区间型负荷联合预测。方法上将区间负荷分解为线性与非线性成分：先将经典Holt-Winters拓展为二维区间Holt-Winters（iHW），用L-BFGS-B估计参数以提取趋势和季节性；再用多输出支持向量回归、区间多层感知机和双头长短期记忆网络建模非线性残差，并组合两部分预测。基于两个地区真实日负荷数据的实证表明，负荷序列非线性显著，区间模型总体优于分别建模峰荷、谷荷的点预测模型；组合模型较单体模型预测精度提升约1.39%—18.05%，其中iHW-MSVR表现最佳，且在不同训练测试集划分下较稳健。报告指出，当前模型未纳入温度、节假日和经济变量等外部因素，输出仍为确定性区间，未来可发展概率区间预测，并拓展至股价、空气质量及碳价等区间时间序列。本场报告由湖南大学副教授汪思韦主持。

邀请报告主持人

孙玉莹

李新民

汪思韦

邀请报告（下午场）

邀请报告四

阙 烨

华东师范大学博士研究生阙烨围绕函数型数据场景，研究基于Kolmogorov-Smirnov（KS）准则的风险评分建模、模型选择与模型平均。她指出，传统函数型建模算法难以适配KS统计量非光滑、非凸的特性，无法直接用常规梯度优化求解；单一截断维数建模易出现信号遗漏或噪声冗余，限制风险评分模型的区分精度与稳健性。为此，团队构建函数型KS学习框架，将无限维函数型参数估计转化为有限维问题，结合IMMO迭代优化算法实现单变量风险评分精准建模；并提出新的变量选择方法，通过自适应惩罚与维度简化筛选核心协变量，降低多变量建模计算成本。针对单一模型选择的不确定性，进一步设计算法与模型平均方案，以多维度候选模型加权融合弥补单一模型缺陷。模拟实验与民航真实数据验证表明，该方法较传统算法可明显提升KS指标，能精准识别航班重着陆核心影响因子，实现飞行风险提前预警。该研究突破传统函数型分类建模的技术瓶颈，为时序函数型数据的风险评估与样本区分提供高效、稳健的全新建模范式。本场报告由合肥师范学院讲师曾婕主持。

邀请报告五

宗先鹏

北京工业大学副教授宗先鹏围绕复杂抽样数据的统计分析，研究适配调查场景的模型平均方法。他指出，现有抽样调查模型辅助推断虽能利用辅助信息提升估计精度，但普遍忽略模型不确定性；模型设定有偏时会降低有限总体参数估计与推断效率，且多数传统模型平均方法未适配抽样数据的非独立同分布特性，理论支撑与落地性不足。为此，他构建适配复杂抽样数据的SMA模型平均框架：以经典模型辅助推断为基准，用抽样入样概率加权替换传统最小二乘估计，以适配抽样数据，解决复杂抽样适配和模型设定偏差等难题。团队推导了新方法理论性质。数值模拟与PM2.5实证表明，相较BIC等传统方法，该修正模型平均方法误差更低、稳健性更强，在不同参数场景下估计性能更优。研究完善了复杂抽样场景下的模型平均理论体系，弥补传统调查数据分析缺陷，为社会调查、环境监测等领域的抽样数据精准推断提供新范式。本场报告由上海师范大学教授吴鑑洪主持。

邀请报告六

李茜茜

北京航空航天大学副教授李茜茜聚焦分层时间序列预测调和问题。分层预测需兼顾层级一致性与节点精度，是经济、电力、零售领域的重要问题。传统线性调和方法虽保证层级一致性，却可解释性差：调整底层商品预测时会引入无关品类、区域冗余信息，与业务逻辑相悖。研究从预测组合视角重构分层调和机制，依托线性汇总约束，为每个底层序列构建有限个线性无关且具业务含义的候选预测，涵盖自身直接预测及祖先、旁支聚合信息，兼顾完备性与可解释性。研究证明经典线性调和方法均可等价转化为预测组合范式，实现与传统Granger框架互通；发现全局联合优化与逐序列独立优化最优解一致，大幅降低协方差矩阵计算复杂度；并设计融合协方差优化与权重惩罚的模块化正则化策略，抑制估计偏差。基于澳大利亚劳动力数据集的十二步向前滚动预测检验表明，加入弹性网惩罚的模型可稳定提升精度，各层级均优于自底向上调和、基础预测等基准。该研究破解了分层调和可解释性差的难题，重构线性调和底层机制，并以模块化设计拓展分层预测方法体系，为时序分层预测的理论完善与落地提供新思路。本场报告由厦门大学教授张庆昭主持。

邀请报告七

熊 玮

辽宁大学博士后熊玮汇报了频率学派模型平均方法的前沿理论成果。研究依托机器学习五维框架，探究加法回归模型平均（ARM）与最优模型平均（OMA）的大样本渐近性质，填补两类方法大样本预测风险横向对比的空白。研究放宽传统ARM的正则约束，将几乎处处强凸条件优化为条件期望下的局部强凸与连续性条件，重新推导ARM有限样本遗憾界与收敛速度，区分单正确、多正确及无正确模型场景，刻画不同损失结构的渐近阶差异。针对多正确模型并存时权重识别模糊、收敛不稳定的缺陷，引入等效自由度惩罚机制，提出改进的PM方法，提升多模型场景下的筛选精度与收敛效率。理论推导表明，ARM与OMA权重求解路径不同，但大样本预测风险渐近等价，性能均受限于最优候选模型的预测上限。多场景数值模拟证实，改进方法在线性、非线性及模型误设场景中显著优于传统方法。针对缺失数据、损失结构不确定的难题，研究进一步构建双层加权WARM模型平均框架，无需甄别缺失机制与损失结构，可自适应融合多类候选信息，修正逆概率加权估计的模型误设偏差，为复杂场景下的稳健预测提供高效方案。本场报告由南开大学副教授付盛主持。

邀请报告主持人

曾 婕

吴鑑洪

张庆昭

付 盛

闭幕致辞

闭幕式由北京大学教授涂云东主持，中国科学院数学与系统科学研究院研究员张新雨作会议总结。他们回顾了此次会议的议题，指出模型平均正从传统预测工具拓展为连接统计推断、机器学习与决策优化的方法论桥梁，并鼓励年轻学者在理论原创与跨学科应用上持续深耕。青岛大学教授李新民代表下一届会议承办方发言，诚邀与会学者再聚青岛，共同推动模型平均及相关领域研究迈上新台阶。在与会者的掌声中，2026年模型平均、预测理论与机器学习前沿学术会议落下帷幕。

来源丨北大光华学术资讯

审阅丨塔娜