核心领域：数据科学基础理论、高维概率与统计、性质测试与学习理论、因果推断、算法复杂性。

主要技术方向：

高维统计与分布学习：高维高斯分布与图模型学习（含截断数据、删失数据）、树结构分布的最优学习（Chow-Lin算法）、稀疏图模型的高效统计推断；

性质测试与距离估计：总变差距离的近似估计（连接概率推断与模型计数）、分布与因果模型的测试与可学习性、高维结构化分布的样本复杂度刻画；

因果推断：干预分布的高效推断、因果图的结构学习与验证、干预覆盖最小化、因果关系判定（区分因与果）的样本复杂度；

算法复杂性：多项式分解与算法正则性、局部可解码/可测试编码的下界、参数化复杂性（Even Set、最短向量问题）、数据流中重频项的优化算法；

跨学科建模：材料科学中的小样本机器学习（量纲分析与标度律）、计算生物学中的囊泡运输网络验证。

关键能力：具备从理论基础（信息论、统计、复杂性）到算法设计再到跨学科应用的完整研究链条，贯通“数学建模→算法设计→复杂性分析→应用验证”的全流程。产业合作经验（Shell）与学术深度结合，形成涵盖理论计算机科学、统计学与因果推断的综合创新能力，研究成果发表于JACM、SICOMP、NeurIPS、ICML等顶刊顶会。