讨论班 | 函数型数据、时空统计、统计基础、网络分析（2021/11/15-2021/11/21）
1、讨论班简介
函数型数据讨论班
本讨论班的研究主题是函数型数据的平滑方法、主成分分析、典型关联分析、线性模型、微分方程与算子等，有助于大家在日常的学习研究当中从函数型数据的角度分析问题，剖析复杂数据下的本质特征，获得更合理、更直观的数据解释。
时空统计讨论班
本讨论班目前以讲述《Statistics for Spatio-Temporal Data》（Noel Cressie, 2011）为主，辅以经典的时空统计论文阅读。主要内容为时空统计所需要的空间统计、时间序列分析基础，以及在基础之上建立的分层动态时空模型（Hierarchical DSTMs）。
统计基础讨论班
本讨论班目前主要参考书籍为《Statistical Models》(A. C. Davison,2008)，开展目的是为新生补充研究生阶段所需的统计方面的基本知识。
网络分析讨论班
图结构的数据在自然科学和社会科学中都是普遍存在的，这门课程我们将基于《Graph Representation Learning》讨论图的理论以及网络分析的理论，介绍节点嵌入的方法。此外，我们还将介绍图神经网络的应用与理论、图的深度生成模型。
2、时间及地点
3、本期内容概述
函数型数据讨论班
Functional Data Analysis for Sparse Longitudinal Data
Traditional fPCA methods face difficulties in sparse stochastic designs with longitudinal data. "FDA for Sparse Longitudinal Data" proposes a nonparametric method that is both theoretically simple and practically straightforward for this scenario.
时空统计讨论班
Kriging
The basic principle behind Kriging is to predict the function value at a specific point by calculating the weighted average of known values of functions in the neighborhood. Kriging, also known as Gaussian process regression in geostatistics, is an interpolation method based on a Gaussian process governed by prior covariances. Under the correct prior assumption, Kriging generates the best linear unbiased prediction (BLUP) at unsampled locations.
统计基础讨论班
混合线性模型
混合线性模型（linear mixed models）是指既含有固定效应，又含有随机效应的模型。这是一个在20世纪80年代初针对统计资料的非独立性而发展起来的模型。
本节讨论班将介绍混合线性模型中的参数和随机效应估计。
网络分析讨论班
邻域重叠度量与谱聚类
本次课我们将在上节课的基础上继续介绍解决图数据中常见任务的基本方法与思路。预测边的任务中，我们需要有效的相似性度量，我们已经介绍了局部构造的度量，在这节课将会介绍全局构造的度量；而对于社区发现问题，我们会介绍用拉普斯矩阵进行谱聚类的方法，这个方法广泛地应用于社区发现。这些介绍与背景知识为我们更好地理解图表示学习打下基础。
