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
Site web
Google Scholar
LinkedIn
X

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

Michael Montemurri
Maîtrise recherche - McGill
Site web
Github
Google Scholar

Publications

Data Privacy for Record Linkage and Beyond
Shurong Lin
Eric Kolaczyk
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.
2024-09-01
Social Science Research Network (publié)
doi.org
Autoregressive Networks with Dependent Edges
Jinyuan Chang
Qin Fang
Eric Kolaczyk
Peter W. MacDonald
Qiwei Yao
2024-04-24
ArXiv (prépublication)
arxiv.org
arxiv.org
Stochastic gradient descent-based inference for dynamic network models with attractors
Hancong Pan
Xiaojing Zhu
Cantay Caliskan
Dino P. Christenson
Konstantinos Spiliopoulos
Dylan Walker
Eric Kolaczyk
In Coevolving Latent Space Networks with Attractors (CLSNA) models, nodes in a latent space represent social actors, and edges indicate thei… (voir plus)r dynamic interactions. Attractors are added at the latent level to capture the notion of attractive and repulsive forces between nodes, borrowing from dynamical systems theory. However, CLSNA reliance on MCMC estimation makes scaling difficult, and the requirement for nodes to be present throughout the study period limit practical applications. We address these issues by (i) introducing a Stochastic gradient descent (SGD) parameter estimation method, (ii) developing a novel approach for uncertainty quantification using SGD, and (iii) extending the model to allow nodes to join and leave over time. Simulation results show that our extensions result in little loss of accuracy compared to MCMC, but can scale to much larger networks. We apply our approach to the longitudinal social networks of members of US Congress on the social media platform X. Accounting for node dynamics overcomes selection bias in the network and uncovers uniquely and increasingly repulsive forces within the Republican Party.
2024-03-11
ArXiv (prépublication)
doi.org
arxiv.org
Stochastic gradient descent-based inference for dynamic network models with attractors
Hancong Pan
Xiaojing Zhu
Cantay Caliskan
Dino P. Christenson
Konstantinos Spiliopoulos
Dylan Walker
Eric Kolaczyk
2024-03-11
ArXiv (prépublication)
doi.org
arxiv.org
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
Eric Kolaczyk
Claire Schollaert
Sijia Li
Matthew C. Simon
J. Levy
2023-03-01
Environmental Research (publié)
doi.org
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
Eric Kolaczyk
Claire Schollaert
Sijia Li
Matthew C. Simon
Jonathan I. Levy
J. Levy
2023-03-01
Environmental Research (publié)
doi.org