贾金柱,北京大学公共卫生学院研究员,博士生导师。 2009 1 月北京大学博士毕业。 2009 1 月至 2010 12 月, UC Berkeley 博士后。 2011 1 月至 2018 1 月任职于北京大学数学科学学院概率统计系和北京大学统计中心,期间访问哈佛大学一年。 2018 2 月加入北京大学公共卫生学院。主要研究方向是高维统计推断、大数据分析、统计机器学习、因果推断、生物统计等。在变量选择方法的理论研究、高维数据和大数据统计学习的应用以及因果推断等领域发表论文多篇。担任中国概率统计统计学会副秘书长、青年统计学家协会常务理事、现场统计研究会计算统计分会理事、现场统计研究会高维数据统计会理事。

1. 国家自然科学基金面上项目, 文本挖掘的统计建模, 2016/01-2019/12 , 主持。

2. 国家自然科学基金青年科学项目,稀疏方差分析与稀疏高维贝叶斯网络学习, 2012/01-2014/12 主持。

3. 自然科学基金创新群体项目, 高逼真度试听系统的理论与方法, 2012/01 -2014/12,参加。

4. 科技部重点研发计划, 大气污染对呼吸和心血管系统健康影响的早期识别技术 2017.07-2020.12,参加

10篇代表性论文

1.Huizhuo Yuan, Jinzhu Jia, Zhanxing Zhu (2018). SIPID: A deep learning framework for sinogram interpolation and image denoising in low-dose CT reconstruction. ISBI 2018: 1521-1524

2.Li Yanfang and Jinzhu Jia (2017) . L1 least squares for sparse highdimensional LDA. Electronic Journal of Statistics, 2017, 11(1):2499-2518.

3.Junyang Qian and Jinzhu Jia (2016). On Piecewise Pattern Recovery of Fused Lasso. Computational Statistics and Data Analysis 94 (2016), pp 221-237.

4.Jinzhu Jia and Karl Rohe (2015). Preconditioning the Lasso for sign consistency. Electronic Journal of Statistics 2015, pp 1150-1172.

5.Yangbo He, Jinzhu Jia and Bin Yu (2015). Counting and Exploring Sizes of Markov Equivalence Classes of Directed Acyclic Graphs. Journal of Machine Learning Research16 (Dec), pp: 2589-2609.

6.Jinzhu Jia, Luke Miratrix, Bin Yu, Brian Gawalt, Laurent El Ghaoui, Luke Barnesmoore and Sophie Clavier (2014). Concise Comparative Summaries of Large Text Corpora with Human Experiment. The Annals of Applied Statistics, 499-529.

7.Yangbo He, Jinzhu Jia and Bin Yu (2013). Reversible MCMC on Markov equivalence classes of sparse directed acyclic graphs. Annals of Statistics 2013, pp 1742-1779.

8.Jinzhu Jia, Karl Rohe and Bin Yu (2013). The Lasso under Poisson-like Heteroscedasticity. Staitstica Sinica 2013, pp 99-118

9.Jinzhu Jia and Bin Yu (2010). On model Selection Consistency of the Elastic Net when p n. Statistica Sinica. 20(2), 595-611.

10.Hua Chen, Zhi Geng and Jinzhu Jia (2007). Criteria for surrogate end points. Journal of the Royal Statistical Society: Series B (Statistical Methodology ) 69 (5) , 919-932.