中文简介
梁腾原教授现任芝加哥大学布斯商学院计量经济学、统计学、与应用人工智能 JP Gan 讲席教授 、Wallman Society 学者 。
他长期从事统计学、机器学习、与经济学交叉研究前沿，致力于为现代人工智能建立数学理论，揭示这些系统为何有效及其内在机理，并发展其在商业与经济领域可靠应用的方法与工具。其关于插值机制、生成模型、与因果推断的研究在统计学、机器学习、经济学、及应用数学等领域产生了广泛影响，相关成果发表于多个重要学术期刊。
他的研究系统揭示了隐式正则化在过参数化学习中的核心作用，涵盖从核方法、提升算法、到神经网络等一系列模型；为生成模型，包括生成对抗网络、扩散模型、和基于偏微分方程的采样器，奠定了统计与计算基础；并发展了面向因果推断与不确定性量化的机器学习方法。这些工作在过参数化学习、生成建模、与因果学习等方向作出了系统贡献。
他曾担任《美国统计学会杂志》及《运筹学》副编辑、《机器学习研究杂志》编委会成员，以及《学习理论会议》高级程序委员会委员。现任布斯商学院政策委员会（学院监督与治理）委员，在学术共同体建设与学院治理方面亦有持续投入。
在布斯商学院之外，他曾任雅虎纽约研究院研究科学家、耶鲁大学 Cowles 基金会访问教授，以及芝加哥大学香港校区驻校全球教授，参与推动国际合作与校友网络建设。
他本科毕业于北京大学数学系和元培学院，博士毕业于宾夕法尼亚大学沃顿商学院统计学系，期间荣获 J. Parker Bursk 纪念奖及 Winkelman 奖学金。他亦获得美国国家科学基金会数学科学部 CAREER 奖。
研究主线
代表成果
T. Liang, A. Rakhlin. “Just Interpolate: Kernel Ridgeless Regression Can Generalize.” The Annals of Statistics, 48(3):1329–1347, 2020.
研究过参数化学习与插值机制的开创性工作之一，揭示核回归在高维情形下具备隐式正则化和泛化能力。
M. H. Farrell, T. Liang, S. Misra. “Deep Neural Networks for Estimation and Inference.” Econometrica, 89(1):181–213, 2021.
机器学习与经济学交叉研究的开创性工作之一，将深度神经网络方法引入计量经济学中的估计与推断问题。
T. Liang. “How Well Generative Adversarial Networks Learn Distributions.” Journal of Machine Learning Research, 22(228):1–41, 2021.
从统计学习角度研究生成对抗网络的开创性工作之一，刻画分布学习的最优速率，揭示生成器与判别器选择对性能的影响。
T. Liang. “Universal Prediction Band via Semi-Definite Programming.” Journal of the Royal Statistical Society: Series B (Statistical Methodology), 84(4):1558–1580, 2022.
通过半正定优化和统计学习理论构造非参数预测带，为不确定性量化提供分布无关的理论保证。
T. Liang, B. Recht. “Randomization Inference When N Equals One.” Biometrika, 112(2):1–23, 2025.
针对仅有单一实验单元的情形建立随机化推断理论，拓展因果推断的适用边界。
近期工作
N. Deb, T. Liang. “No-Regret Generative Modeling via Parabolic Monge-Ampère PDE.” arXiv:2504.09279, 2025.
将抛物型 Monge-Ampère 偏微分方程引入生成建模，利用无遗憾学习框架为生成模型提供理论保证。
T. Liang. “Distributional Shrinkage I: Universal Denoiser Beyond Tweedie’s Formula.” arXiv:2511.09500, 2025.
提出分布收缩方法，构建超越 Tweedie 公式的通用去噪框架，为生成建模与统计推断提供新的工具。
T. Liang. “Distributional Shrinkage II: Higher-Order Scores Encode Brenier Map.” arXiv:2512.09295, 2025.
建立分布收缩理论，揭示高阶 Score 与 Brenier 映射之间的联系，阐释最优传输和生成模型的深层结构。