摘要：
尽管深度神经网络等复杂机器学习模型在众多应用场景中展现出卓越的预测性能，其内部决策机制却长期被视为难以解析的"黑箱"——我们既无法准确辨识特征变量的关键作用及其必要性，也难以验证模型决策的因果关联。本讲座将围绕这一重要问题，阐述如何通过统计推断方法与理论破解黑箱模型的解释困境，增强机器学习的可解释性；并分享报告人在相关领域的最新研究成果。讲座虽涉及半参推断、模型-X推断、分布鲁棒优化等前沿研究方向，但并不需要听众有很深的统计学背景知识。

报告人简介：

刘默雷，2025年3月加入北京大学，任北京大学公共卫生学院、北京国际数学研究中心双聘研究员兼助理教授。2017年本科毕业于北京大学数学科学学院，2022年博士毕业于哈佛大学公共卫生学院，加入北京大学之前在哥伦比亚大学生物统计系担任助理教授。刘默雷的研究方向包括高维统计、半参理论、半监督学习、迁移学习、多来源数据融合、分布鲁棒学习，以及电子健康记录和生物样本库大数据驱动的生物医学研究。