项目简介

项目1：生物样本库隐私保护分析

近年来，国内外的医疗机构纷纷建立或正在逐步构建生物样本库（BioBank），这些样本库汇集了包括患者诊断、化验、影像、处方等在内的多模态数据，为临床诊断和治疗提供了宝贵的研究资源。然而，由于隐私、伦理及数据收集和整合的复杂性，单一生物样本库内的数据样本在数量和质量上仍存在一定局限性。因此，建立跨机构、跨样本库的数据共享与合作分析框架，成为缓解医疗数据样本匮乏问题的重要途径。本项目将基于联邦学习思想，探索和开发系列统计分析方法和推断工具，助力生物样本库的高效利用。联邦学习框架能够在确保数据隐私和安全的前提下，实现不同机构间的数据协同和分析，突破传统数据孤岛的限制。项目的核心研究将围绕“多源-多模态医疗数据的融合开发”以及“适应多模态数据的隐私保护机制”展开，旨在为生物医学研究和临床实践提供创新解决方案，为构建更加完善和安全的医疗数据生态系统奠定基础，推动健康医疗行业的创新发展。

项目2：强化学习及其金融应用研究

作为机器学习的分支，强化学习对解决随机环境中涉及序列决策优化的复杂问题具有强大的技术优势。在传统的家庭金融领域，期望效用准则下的保险需求与资产配置的随机控制优化问题得到了广泛的研究，但传统模型存在对参数非常敏感以及复杂模型难以求解的缺陷。强化学习通过策略与环境的交互，更新学习参数以达到或接近最优策略，能很好地克服这些不足。在连续时间框架下，我们致力于将强化学习运用到保险领域，综合考虑不同市场环境中个人或家庭的保险需求、投资与消费等多元决策问题，拓展了强化学习目前集中在金融领域的最优投资单一决策问题。我们的研究将结合传统随机控制理论与强化学习算法，考虑差分熵等多种形式的罚函数，探究在多种保险、金融市场中随机策略的最优联合分布等，为个人或家庭的多维决策提供全生命周期精准科学的指导。

如您有意参加，请于2025年5月12日(周一)12:00前扫描下方问卷星二维码报名并入群，会议地点将在群内通知，谢谢！