Portrait de Eric Kolaczyk

Eric Kolaczyk

Membre académique associé
Professeur, McGill University, Département de mathématiques et statistiques
Sujets de recherche
Apprentissage sur graphes
Biologie computationnelle
Modèles probabilistes
Modélisation moléculaire
Neurosciences computationnelles

Biographie

Eric Kolaczyk est professeur au département de mathématiques et de statistiques de l'université McGill et directeur inaugural de l'initiative sur les systèmes informatiques et de données de McGill (CDSI). Ses recherches portent sur la manière dont les théories et les méthodes statistiques et d'apprentissage automatique peuvent soutenir les activités humaines rendues possibles par les systèmes informatiques et techniques, souvent dans une perspective de science des systèmes basée sur les réseaux. Il collabore régulièrement à des problèmes de biologie informatique, de neurosciences informatiques et, plus récemment, de chimie et de science des matériaux assistées par l'IA. Il a publié plus d'une centaine d'articles, dont plusieurs livres sur l'analyse des réseaux.

En tant qu'éditeur associé, Kolaczyk a siégé aux conseils d'administration du Journal of the American Statistical Association (JASA) et du Journal of the Royal Statistical Society Series B (JRSS-B) en statistiques, de l'IEEE IP et de TNSE en ingénierie, et de SIMODS en mathématiques. Il a été coprésident de la table ronde des académies nationales des sciences, de la médecine et de l'ingénierie des États-Unis sur l'enseignement de la science des données. Il est membre élu de l'AAAS, de l'ASA et de l'IMS, membre senior élu de l'IEEE et membre élu de l'ISI.

Étudiants actuels

Maîtrise recherche - McGill

Publications

Data Privacy for Record Linkage and Beyond
Shurong Lin
In a data-driven world, two prominent research problems are record linkage and data privacy, among others. Record linkage is essential for i… (voir plus)mproving decision-making by integrating information of the same entities from different sources. On the other hand, data privacy research seeks to balance the need to extract accurate insights from data with the imperative to protect the privacy of the entities involved. Inevitably, data privacy issues arise in the context of record linkage. This article identifies two complementary aspects at the intersection of these two fields: (1) how to ensure privacy during record linkage and (2) how to mitigate privacy risks when releasing the analysis results after record linkage. We specifically discuss privacy-preserving record linkage, differentially private regression, and related topics.
Autoregressive Networks with Dependent Edges
Jinyuan Chang
Qin Fang
Peter W. MacDonald
Qiwei Yao
Stochastic gradient descent-based inference for dynamic network models with attractors
Hancong Pan
Xiaojing Zhu
Cantay Caliskan
Dino P. Christenson
Konstantinos Spiliopoulos
Dylan Walker
Assessing the Impact of Aircraft Arrival on Ambient Ultrafine Particle Number Concentrations in Near-Airport Communities in Boston, Massachusetts
Chloe S. Chung
Chloe S. Kim
Kevin James Lane
K. Lane
Flannery Black-Ingersoll
Claire Schollaert
Sijia Li
Matthew C. Simon
Jonathan I. Levy
J. Levy
Assessing the impact of aircraft arrival on ambient ultrafine particle number concentrations in near-airport communities in Boston, Massachusetts.
Chloe S. Chung
K. Lane
Flannery Black-Ingersoll
Claire Schollaert
Sijia Li
Matthew C. Simon
J. Levy