关于Rina的工作
Rina Foygel Barber是一位统计学家，研究形式推理和预测模型的理论基础，并设计处理海量多维数据集的新方法。巴伯的研究重点是降低错误发现率和交叉验证机器学习预测模型。她的工作提高了统计分析的质量，同时也揭示了统计方法的局限性。
巴伯和一位合作者创建了仿冒过滤器框架，以解决机器学习应用于高维数据集时错误发现的可能性增加的问题，与观察值或数据点数量相关的变量很多（例如，在健康数据中，可以为每个人收集许多不同的健康变量，如年龄、身高、体重、血压等）。在这种方法中，构造模拟实际变量的假变量（仿制品），用于测试不同变量与统计模型中观察到的响应之间的相关性。巴伯一直在不断完善和增强仿冒方法，现在它被研究高维数据和大规模推理问题的研究人员广泛使用。在另一项工作中，Barber开发了保角预测领域的方法，该方法量化了机器学习算法中的预测不确定性。量化机器学习算法输出中的潜在可变性（实际上，“预测”不正确的可能性）对于确定输出是否值得信任和采取行动非常重要。折刀重采样（也称为“leave-on-out”验证）通过从训练数据中删除一个数据点来进行交叉验证。Barber和合作者使用Jacknife+克服了传统Jacknife的一些限制，无论测试和培训数据中的数据点分布如何，都可以进行验证，并解释了预测模型中可能存在的不确定性。
巴伯的发现适用于一系列领域的科学研究，如医疗保健、基因组学、气候科学、天文成像和社会科学。Barber在统计学、机器学习和数据科学交叉领域的创新工作对于克服高维数据集的使用带来的挑战至关重要。
传记
Rina Foygel Barber获得布朗大学理学学士学位（2005年）、芝加哥大学理学硕士学位（2009年）和博士学位（2012年）。在加入芝加哥大学统计系之前，她是斯坦福大学国家科学基金会博士后研究员（2012-2013），目前是该校的Louis Block教授。巴伯曾在主要期刊上发表过文章，如统计年刊,美国统计协会杂志,英国皇家统计学会杂志,神经信息处理系统研究进展、和信息与推理：IMA期刊等等。
用丽娜的话来说
“通过建立统计、数学和科学之间的联系，我们可以发现有趣的新问题和框架，并设计新工具来更好地应对现代数据分析的挑战。”
“统计学为描述我们对算法和模型输出的不确定性提供了一种语言，现在算法和模型在我们的生活中发挥着比以往任何时候都更大的作用，这一点尤为重要。研究统计学的理论基础有助于我们确定哪种方法对answ最可靠回答一个给定的问题，或者知道什么时候一个问题根本无法回答。通过建立统计、数学和科学之间的联系，我们可以发现有趣的新问题和框架，并设计新工具来更好地应对现代数据分析的挑战。”
2023年10月4日出版
