SLDS 开会小结

上周出差到纽约，参加了一个数据科学和统计学的学术会议。很有收获。（哈哈，拖延症犯了，今天才把总结写出来~）

先谈谈会议流程和会议组织

会议时间挺长的，周日晚上注册和晚宴；周一到周三，每天都是满满的会议安排（早七点半到晚6点半或者更晚）。每天早晨要起的很早，洗漱，打车到开会的地方，抓一些主办方提供的咖啡和蛋糕，就去听讲座了。每天上午和下午的工作，主要是讲座，分成大牛的讲座和普通人的讲座。大牛的讲座规格比较高，在四五百人的大礼堂，大家也都会去参加（同一时间没有别的安排）。而普通人的讲座包括教授（2/3），博士/博士后（1/3），工业界的演讲者（较少）。因为本次大会规格较高，参与人数较多，同一时间会进行5-8个不同的主题（在不同的地点），大家根据自己的兴趣进行选择旁听。晚上有一些主办方组织的学术联谊，主要针对学生（教授们比较忙，也不愿意花时间做这些事）。

这个会议叫SLDS2018（统计学大会2018 -非参数经典数据科学研究）是由美国统计学会组织，哥伦比亚大学承办（今年）的一个两年一次的大会。会议的参会人员分成三部分：1被邀请，多为领域内的领军人物；2向大会投稿发表文章和学术海报，经审，被录取，参与（我在这一类）；3自愿报名参与。第一类免费，第二类费用较低，但需通过学术评审，第三类费用高且有人数限制。

根据我个人的不完全统计，会议学者主要来自美国高校，包括哥大，uiuc，mit，斯坦福，康奈尔，psu，nyu等；美国之外，有一些中国香港的学者，来自包括中国香港城市，港大等。与会的国籍很有意思，中国学者约多于1/3，印度学者约少于1/3，其他国家约1/3。

浅谈学术部分

会议本身作为统计学会议，对于数理和统计的基础要求非常高。整体来看，偏保守：人们普遍讨论更多的还是概率模型，经典统计推断，随机模型，优化模型等话题；对于信息可视化，机器学习，数据重复性的研究有涉及，但不多；对于在cs（计算机科学）领域比较火的强化学习算法，深度学习算法，lstm等，完全没有涉及。

与会的两位大牛（全员讲座级别）一位来自学界（70+），一位来自工业界（50+），代表了不同方向的声音。我个人非常崇拜学界的这位大牛，一直是我的一个偶像，MichaelI. Jordan，他是LDA之父，EM大师，同时也是吴恩达的老师！他的报告深入浅出，讲述的很精彩。他认为未来一个十年，全局优化（convex optimization）会是学科研究重点。（比较遗憾的是，他的报告的最后1/3我没能听懂，太难了……）

根据了解，统计学在不同学校的地位不同，大家研究的方向也有所差异。内容而言：包括基础研究（统计，概率，随机，数值计算），优化（火），推断，数据有效性，统计模型，统计新方法等。学科设置以及研究内容而言：包括金融统计/金统（数理，应用），生物统计/生统（时间，空间，多元，大数据）；数据统计（比如我，哈哈）

我是全场为数不多的非统计学专业背景的与会人员。在会场上找到uiuc统计学的博士生/教授群体之后，跟大家一起学习生活的挺开心！哈哈！

之后是一些个人感想

其实，我已经参与过好几次会议了，身份也分别包括：打酱油的（自愿报名参与），大会组织者（工作人员），大会报告者。这几个身份里面，越往前，越爱看热闹，越关注整个大会，当然锻炼了组织能力；越往后，学术层次越高，对于会议本身反而不那么在意，更在意的是和自己研究相关的部分吗，几区的有用养分更多。

通过这次大会我还仔细观察了不同层级学者的心态与收获。

低年级博士生（1-3年博士）：更多的是学习的心态，横向了解。有一些能够如数家珍，对于专业和人有基本认识，对研究有基本热情。是大会的观察者和接收者。这个层次的社交意义不大。

高年级博士生：关注学科最前沿状态，什么都懂，能够细数不同方向利弊、算法细节、学校/学者特色；是整个学科的核心力量；也是联系不同人群的纽带。

博后/初级教授：参会的心态是为了关系网。他们的主要是获取途径是自我阅读。他们只关注自己的领域和相关文章。他们随时在关注新的教职机会。

高级教授：他们不差钱。他们研究不动手。他们已经是“从心所欲不逾矩”的状态。所以来开会更多是看看学科研究的方向，观其大略。

大牛：作报告。离开。很忙。通过报告，看得出，理解的深，做的好，依然在科研最前沿。

怎么说呢，学者的科研生命挺短的。大概最有活力的是高年级博士到初级教授的几年。

最后是一些自说自话（自评和自我职业建议）

参与这次大会学习到很多，收获也很多，但是看到的差距也很大，沮丧也很多。

我不是统计学专业。通过这次参会，我切身感觉到了和统计学生竞争的感觉。坦白讲，二年级博士生和其他高年级博士或者教授，差距太过显著了。更何况，这是一个统计学术年会而我并没有统计背景！我明显感觉到自己拥有非常强的编程优势，非统计部分的专业优势（数据库，文本挖掘），以及实习经验带来的工业生产优势，即使是对比初级教授，我依然拥有上面的优势。不过我刻意不谈，我想在理论上和统计方法上战胜他们。主要的差距还是在积累和理解。他们对于统计的基本理解还是更深，更熟悉。此外，我自己适应新环境的能力很不错，很快跟大家打成一片，没有认生，甚至形成了局部的威望。

目前我的状态是信息科学博士二年级结束（未开题）。仅就统计学而言，我属于2年级统计博士的中游水平（65分——达标，但不拔群）。我希望自己在毕业的时候能够达到统计专业博士毕业生的上游水平（85分）。我需要自觉锻炼的包括：数学基础（特指线代和推导计算功力），知识理解深度，知识宽度（子方向和子学科），人文与新进展。

我所属的信息科学是交叉学科，涉及统计科学，涉及计算机科学，也涉及一些我们自己的数据科学。我希望自己在和这两个专业的同学的专业竞争中，不落下风。这不容易，但是我要做到。处在交叉位置的尴尬除了“什么都会，但都不精”之外，还有一个，就是缺乏归属感，这里不做展开了。但是他的优点是复合型，全能——实际上对人，对知识理解，对沟通能力，对解决问题能力，有更高的要求。

此外，我深深地看到了统计学内部的人员饱和情况。中国人的数学真的好，但是学界竞争太过激烈了，过饱和下面，没什么好的机会。可能的出路是1）苟活；2）去工业界（药厂，金融界，科技公司）；3）学科交界的位置找的新的生机。于我个人而言，我永远为自己的土木工程背景而感到骄傲，但是怎么能够结合的巧妙。是一个足够有意思也很重要的话题，值得我在今后的几年，甚至十几年内反复思考。

最后，学院已经出资为我报销了此次出行的全部开销。我回来之后也特别发了邮件，介绍了自己的收获，并表达了感谢。在此再次感谢。