近日，西北大学数学学院郭骁副教授与美国圣路易斯华盛顿大学统计与数据科学系何旭铭教授、西安交通大学管理学院常象宇教授、美国加州大学河滨分校统计系马舒洁教授合作完成的论文“Privacy-Preserving Transfer Learning for Community Detection using Locally Distributed Multiple Networks”在国际统计学著名期刊 Journal of the American Statistical Association（JASA）在线发表。

多源网络数据广泛存在于社交媒体、生物医学等领域。然而，受数据分布式存储、隐私性以及异质性等因素制约，多源网络信息往往难以直接汇聚和有效利用。在此背景下，论文研究多源异质敏感网络数据社区发现的迁移学习问题，旨在通过有效利用源网络信息提升目标网络的社区发现精度。论文提出基于谱聚类的隐私保护迁移学习方法：针对不同信任场景，提出对原始网络数据和网络特征空间进行扰动的隐私保护机制；进一步提出了一种新的自适应加权融合方法，综合考虑源网络的隐私保护程度及其与目标网络之间的异质性，对源网络特征子空间进行加权融合；并提出了正则化方法平衡源网络与目标网络信息，降低负迁移风险。在理论方面，论文建立了自适应加权估计的error-bound-oracle 性质，证明了估计误差在一定条件下仅依赖于“有效”源网络；同时证明了所提出方法的误差界不劣于仅使用目标网络或仅使用加权源网络的情形，从理论上刻画了迁移学习带来的统计增益。