会场介绍 | 第15届中国 R 会（北京）——统计计算专场

张先轶，本科和硕士毕业于北京理工大学，博士毕业于中国科学院大学，曾于中科院软件所工作，之后分别在UT Austin和MIT进行博士后研究工作。国际知名开源矩阵计算项目OpenBLAS发起人和主要维护者。中国计算机学会高性能计算专业委员会委员，ACM SIGHPC China执行委员。2016年，创办PerfXLab澎峰科技，提供异构计算软件栈与解决方案。2016年获得中国计算机学会科学技术二等奖，2017年获得中国科学院杰出科技成就奖，2020年获美国SIAM Activity Group on Supercomputing最佳论文奖。

高性能的计算软件栈作为底层硬件和上层应用的桥梁，可以扩展芯片的应用范围，提升计算性能。国际主流芯片公司都投入大量资源建设异构计算软件栈，例如Intel oneAPI，NVIDIA CUDA-X等。本报告将介绍澎峰在异构计算软件栈的工作进展，包括底层计算库和框架的支持与优化，PerfXPy以及面向新一代计算硬件的支持工作。

赵亮，2022 年初加入 Taichi，任 Taichi 编程语言产品经理、技术布道师。

Taichi 是一门嵌入在 Python 中的领域专用编程语言，具有书写方便、运行效率高、移植性好的优点。在这次报告中我将向大家介绍关于 Taichi 编程语言的基础知识，演示使用 Taichi 开发的一些精彩例子，与其它加速方案的比较，并和大家探讨 Taichi 在不同领域科学计算中的应用前景。

张世枫，博士毕业于清华大学计算机系，现为华为诺亚方舟实验室主任工程师。张世枫的主要研究方向为生成模型与AI数据压缩，相关领域在国际知名会议发表多篇论文；康宁，博士毕业于香港大学计算机系，发表过 STOC, FOCS 等多篇理论计算机顶级会议，曾获 ACM/ICPC 香港赛区冠军。现任职于华为诺亚方舟实验室，从事 AI 压缩等方面的研究，在实时压缩方面有若干研究工作

伴随深度生成模型技术的发展，生成模型用于AI无损压缩能显著提升数据的压缩率。然而，AI压缩方法的吞吐率低，生成模型推理与动态熵编码的低吞吐率是两大性能瓶颈。本次报告将介绍基于流模型等多种类型生成模型的高效AI压缩方法及动态熵编码方法，这些方法在数据压缩率、吞吐率等性能均取得业界最优水平。

蔡铭轩，香港城市大学生物统计系助理教授，香港科技大学统计学博士。主要研究方向包括统计遗传学，统计计算，贝叶斯推断等，研究成果发表于The American Journal of Human Genetics, Journal of Computational and Graphical Statistics, Bioinformatics等国际期刊。

The rich resources of massive genetic data offer an unprecedented chance for individualized disease risk prediction. Through statistical modelling, the risk scores derived from genetic variants can effectively identify the individuals with higher disease risk from general population. However, multiple challenges arise when constructing risk prediction from massive data. First, the massive genetic data usually is comprised of hundreds of thousands of samples with millions of variants. Computational cost for standard statistical analysis becomes unfordable. Second, the individual-level genetic data are usually of restricted access due to privacy protection. Third, due to the large difference of genetic architectures between populations and the limited sample size from non-European populations, risk prediction has been less accurate for the non-European individuals. To improve the prediction accuracy in non-European populations, we propose a cross-population analysis framework for genetic risk prediction with both individual-level (XPA) and summary-level (XPASS) genetic data. By leveraging trans-ancestry genetic correlation, our methods can borrow information from the Biobank-scale European population data to improve risk prediction in the non-European populations. In a Chinese cohort, our methods achieved 7.3%-198.0% accuracy gain for height and 19.5%-313.3% accuracy gain for body mass index (BMI) in terms of predictive R2 compared to existing prediction approaches.