主讲人Speaker: 方匡南      教授      厦门大学

时间Date & Time: 2025年11月28日（周五），15:00--16:30

地点Venue:粤海校区汇星楼565会议室

Customer records include only customers in default (positive samples) and rejected customers (unlabeled samples), or positive and unlabeled (PU) data, which is a common scenario in emerging financial institutions. However, building credit scoring models using multiple small sample PU datasets with high dimensionality poses significant challenges, especially in light of the privacy constraints associated with transferring raw data. To tackle these challenges, this paper introduces a novel methodology called Personalized federated PU learning. This approach utilizes a fused penalty function to automatically divide coefficients into multiple clusters, while an efficient proximal gradient descent algorithm is introduced for model training, relying solely on gradients from local servers.

主讲人介绍/Biography of the speaker：

方匡南，厦门大学经济学院统计学与数据科学系教授、博士生导师、耶鲁大学博士后，入选了国家级高层次青年人才、福建省高层次人才A类等。兼任全国工业统计教学研究会副会长、中国现场统计研究会大数据统计分会副理事长、中国优选法统筹法与经济数学研究会数据科学分会副理事长等。主要研究方向为经济管理统计、统计机器学习、金融大数据、风险管理等。共发表学术论文100多篇，其中在统计学和数据科学期刊Journal of the American Statistical Association, Journal of Machine Learning Research, Biometrics, Statistica Sinica, Bioinformatics等发表论文50多篇，在经济管理期刊Journal of Econometrics, Journal of Business & Economic Statistics, INFORMS Journal on Computing (UTD24), 《经济研究》《统计研究》《管理科学学报》《数量经济技术经济研究》等发表论文50多篇。10多份研究成果被中办、国办等采用或获领导批示。著有学术专著和教材等6部。主持了国家社科基金重大项目1项，国家自然科学基金项目4项，企事业横向课题30多项。获省部级以上科研成果奖9项，其中一等奖2项，二等奖2项。