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、应用人工智能 JP Gan 讲席教授 、Wallman Society 学者 。

他的研究横跨统计学、机器学习、经济学的交叉前沿，致力于为现代人工智能构建坚实的数学基础，从理论上揭示算法的运行机理与有效性边界，并发展其在商业与经济决策中可靠落地的方法与工具。相关成果广泛发表于统计学、经济学、机器学习、应用数学等领域的国际顶尖期刊与会议。

在理论与方法层面，他的工作揭示了隐式正则化在过参数化学习中的核心作用，涵盖核方法、提升分类器、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、基于偏微分方程的采样器，构建了统计与计算基础；并发展了面向因果推断与不确定性量化的机器学习方法。

在学术共同体建设与学院治理方面，他曾任《美国统计学会会刊》（JASA）与《运筹学》（Operations Research）副主编、《机器学习研究杂志》（JMLR）编委，以及国际学习理论会议（COLT）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。

在布斯商学院之外，他还曾任雅虎纽约研究院（Yahoo! Research）研究科学家、耶鲁大学 Cowles 经济研究基金会访问教授，以及芝加哥大学香港校区驻校全球教授，积极推动国际学术合作与校友网络建设。

他本科毕业于北京大学数学科学学院与元培学院，博士毕业于宾夕法尼亚大学沃顿商学院统计学系（获 J. Parker Bursk 纪念奖及 Winkelman 奖学金）。博士毕业后即加入芝加哥大学任教，于三十一岁晋升为终身正教授，并荣获美国国家科学基金会（NSF）数学科学部 CAREER 奖。

研究主线

现代人工智能的核心追问——它能生成什么、能推断什么、为何得以泛化——归根结底都是关于数据分布的数学问题。围绕高维分布的几何、动力学、稳健性，研究主要沿三条主线展开：

生成模型：动力与几何

因果学习：设计与推断

过参模型：隐式正则化

代表成果

• T. Liang, A. Rakhlin.
  “Just Interpolate: Kernel Ridgeless Regression Can Generalize.”
  The Annals of Statistics, 48(3):1329–1347, 2020.

  过参数化学习与插值机制的早期工作之一，揭示无岭核回归在高维插值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早期工作之一，为半参数计量经济学中的估计与推断问题建立了严格的深度神经网络理论框架。

• T. Liang.
  “How Well Generative Adversarial Networks Learn Distributions.”
  Journal of Machine Learning Research, 22(228):1–41, 2021.

  早期为生成对抗网络构建统计学习理论基础，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，拓展因果推断在时间序列实验中的适用边界。

• N. Deb, T. Liang.
  “No-Regret Generative Modeling via Parabolic Monge-Ampère PDE.”
  The Annals of Statistics, 54(5):2260-2285, 2026.

  首次将抛物型 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。

近期工作

• T. Liang.
  “Distributional Shrinkage I: Universal Denoiser Beyond Tweedie’s Formula.”
  arXiv:2511.09500, 2025.

  提出多维分布收缩方法，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.

  建立高阶精度分布收缩理论，证明高阶 Score 蕴含 Brenier 映射，阐释最优传输和生成模型的深层结构。

• T. Liang.
  “Nonparametric Point Identification of Treatment Effect Distributions via Rank Stickiness.”
  arXiv:2604.21548, 2026.

  通过秩粘性实现干预效应分布的非参识别，构建 Bregman-Sinkhorn Copula，提供干预效应分布估计与推断的新方法。