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。
专家详情：
【重要履历】拥有麻省理工学院计算机科学学士、硕士、博士学位（师从Ronit Rubinfeld）。其学术生涯涵盖普林斯顿大学CCI博士后、罗格斯大学DIMACS博士后，曾任印度科学理工学院助理教授（获终身教职）及新加坡国立大学副教授（获终身教职）。曾获Google South Asia & Southeast Asia研究奖、NRF人工智能研究员奖、Ramanujan研究员奖及Krell Institute计算科学研究生研究员奖等多项荣誉。
【技术能力】集中于数据科学基础理论，核心方向包括：高维概率与统计（高维分布学习与推断、高斯图模型、截断数据下的统计推断）；性质测试与学习理论（总变差距离估计、分布测试、因果模型的可测试性与可学习性）；算法复杂性（多项式分解与正则性、局部可解码/可测试编码的下界、参数化复杂性）；因果推断（干预分布的高效推断、因果图的结构学习与验证）。他在算法层面擅长将性质测试视角引入因果与统计推断问题。
【标志性成果】关于模型计数与F₀估计的工作荣获ACM SIGMOD研究亮点及CACM研究亮点，并获“Best of PODS 2021”殊荣；在树结构分布学习（Chow-Lin算法）方面的成果发表于SIAM Journal of Computation；在Even Set问题与最短向量问题的参数化难解性研究发表于Journal of the ACM。其跨学科合作涵盖材料科学（Shell合作）与计算生物学（囊泡运输网络），并著有《Property Testing》一书。他长期担任NeurIPS、ICML、COLT等顶会领域主席，并在Simons Institute多次担任长期访问学者。