机器学习与统计学（MLSTAT）会议是由中国现场统计研究会机器学习分会主办的学术会议。会议旨在促进机器学习与统计领域的国内外学者进行学术交流，引领机器学习与统计共同交叉发展的学术文化，推动作为数据科学与人工智能的奠基性学科的进步，以此助力相关数字经济产业的发展。
第四届机器学习与统计学会议（MLSTAT2026）将于2026年7月15日-17日在西南财经大学（四川成都市）举行。会议将邀请20位左右青年学者就机器学习、人工智能、统计学和应用数学等相关领域的前沿进展做大会主题报告，同时欢迎在读博士生进行墙报展示。
主题：The Future of AI Scientists: Emerging Directions and Fundamental Challenges
报告人简介：丁杰，明尼苏达大学统计学院副教授，电子工程系、计算机系客座教授，AI中心核心成员，明尼苏达大学AI健康医疗工作小组联合组长，本科毕业于清华大学，博士毕业于哈佛大学。其研究位于人工智能、统计学、信息科学的交叉领域，当前重点关注可扩展与可信赖的人工智能、AI for Science，以及人机协作系统。曾任 Amazon Scholar，与 Amazon Alexa 及 AGI 团队合作开展联邦学习与多模态大模型相关研究。其工作获得美国国家科学基金会 CAREER Award、ARO Young Investigator Award、Cisco Research Award、Meta Research Award 及多项最佳论文奖。他还发起了明尼苏达大学首个面向全校的人工智能开源课程。近年来，他进一步关注AI智能体系统的工程化与落地实践，探索如何让科研人员或各领域专家在短时间内构建可控的AI智能体，并围绕其联合创立的AI-for-Science平台MorphMind及相关开源项目WorldSeed开展系统性探索。
报告摘要：Modern AI systems are rapidly evolving from passive tools into agentic systems that can reason, learn, collaborate, and interact with human scientists in the research process. This talk discusses emerging directions in AI scientist systems, drawing inspiration from human-centered principles such as lifelong learning, teaching, collaboration, objective alignment, and auditing. The goal is to identify fundamental research challenges and stimulate new perspectives on building steerable and productive AI systems in complex real-world AI-for-Science settings.
主题：AI for Statistics的一些最新进展
报告人简介：周帆，上海财经大学统计与数据科学学院副教授，国家级青年人才，博士毕业于美国北卡罗来纳大学教堂山分校，现担任统计学顶刊JASA的副主编与人工智能顶会NeurIPS等的领域主席。研究兴趣包括深度学习，强化学习的算法与理论，大模型，因果推断，在包括JASA, JMLR, NeurIPS, ICML, ICLR等统计学，机器学习顶刊和顶会上发表一作通讯文章数十篇，曾获泛华统计协会国际会议新研究者奖,UNC James E. Grizzle杰出校友奖和Barry H. Margolin Award。
报告摘要：本报告将介绍我们近期在AI for Statistics方面的一系列探索与进展。围绕“大模型的统计推理能力”这一核心问题，我们从底层数据、知识建模与辅助研究三个层面展开研究。首先，我们构建了StatEval——首个面向统计学的综合性问答与推理的综合性数据集和评测基准，系统覆盖从本科与研究生基础知识到前沿科研级证明问题，填补了现有大模型基础数据与评测中统计学维度长期缺失的空白。特别的，我们设计了一个具有人机协同验证的多智能系统TRACE，能够在确保学术严谨性的同时，自动化完成结构抽取、逻辑解析和多难度题目生成。基于StatEval，我们提出了一种针对复杂证明的自适应过程化评分流水线，支持对推理能力进行细粒度的逐步评估。此外，利用 StatEval 进行检索增强生成（RAG）和领域微调，可明显提升推理能力。在此基础上，我们还开发了一个可以自动化进行研究级统计定理证明的智能体StatProver，能够辅助研究者构建证明思路与框架，处理科研级别的统计定理证明时频繁出现的逻辑断裂与公式幻觉问题，实现从统计学命题到完整证明的全自动生成与自我纠错。
会议注册信息:
为了确保会议顺利开展，本次会议将少量收取注册费，会务组将承担会议期间的用餐，其他费用敬请自理！
注册费用：学生代表 200元，其他代表500元。
报名截止时间：2026年6月30日。
会议信息将通过本公众号及会议网站及时更新，欢迎大家积极关注。会议注册是通过会议网站注册。会议注册网址：
https://ml-stat.github.io/MLSTAT2026/register/
联系方式:
邮箱：mlstat2026@126.com
电话：028-87092330
