（通讯员：刘晔）2026年8月18日下午14:00，我院特邀南京审计大学教授、博士生导师周兴才教授，在南湖校区办会楼二楼会议室1256室作学术报告。本次报告由beat365在线唯一官网登录承办，会议由学院副院长杨凯教授主持，学院院长王纯杰教授、统计系副主任王淑影教授、统计系支部书记袁晓惠教授、学院部分教师和研究生参加了本次学术报告会。

会议开始之际，杨教授对周教授的到来表示热烈欢迎，并简要介绍了周教授的研究方向与学术成果。

报告人简介：周兴才，南京审计大学教授、博士生导师。东南大学博士、博士后，加拿大University of Alberta数学与统计系博士后。主持国家自然科学基金面上项目和国家社会科学基金一般项目各1项，省部级项目3项，累计主持与参加国家级项目8项。在JRSSB、JASA、TPAMI、ICML等国际顶刊顶会及权威期刊发表论文70余篇。现任中国现场统计研究会生存分析分会副理事长、旅游大数据分会常务理事，江苏省应用统计学会理事。主要研究方向为统计机器学习和神经影像数据的因果推断。

报告题目：Fast Sketching Distributed PCA for Large-Scale Federated Data

报告摘要：We study distributed principal component analysis (PCA) for large-scale federated data when the sample size and dimension are both ultra-large. This type of data is currently very common, but faces numerous challenges in PCA learning, such as communication overhead and computational complexity. We develop a new algorithm FedFask (Fast Sketching for Federated learning) with lower communication cost overhead and lower computational complexity. We develop a new algorithm In FedFask, we adopt and develop technologies such as fast sketching, alignments with orthogonal Procrustes Fixing, and matrix Stiefel manifold via Kolmogorov-Nagumo-type average. Thus, FedFask has a higher accuracy, lower stochastic variation, and best representation of multiple randomly projected eigenspaces, and avoids the orthogonal ambiguity of eigenspaces. We show that FedFask achieves the same rate of learning as the centralized PCA uses all data, and tolerates more workers to parallel acceleration computation. We conduct extensive experiments to demonstrate the effectiveness of FedFask.

周兴才教授在报告中围绕大规模联邦数据下的分布式PCA这一前沿主题，详细解读了FedFask算法的设计原理、技术路径及理论成果。随后，他深入剖析了在大数据与分布式计算背景下，如何通过统计方法与机器学习技术的深度融合来突破通信与计算瓶颈，并结合实际应用场景，从问题发现、理论推导到算法设计进行了系统阐述。

整场报告既有深刻的理论见解，又有清晰的算法框架，为学院师生在大规模数据分析与分布式学习领域的研究提供了全新思路和方法借鉴。报告结束后，与会师生围绕分布式PCA的算法细节、理论假设及实际应用场景等问题，与周兴才教授展开了深入的互动交流。周教授逐一耐心解答了大家的提问，现场气氛热烈，进一步加深了师生对报告内容的理解与启发。

与会师生一致认为，本次报告立足学术前沿，内容详实深刻，对把握统计机器学习与分布式计算领域的最新动态具有重要启发意义。

初审：关迪

复审：杨凯

终审：王丹、王纯杰

beat365在线唯一官网登录

2026年8月19日