رينا فويجل باربر

رينا فويجل باربر (مواليد 1982 أو 1983 ) إحصائية أمريكية، تشمل أبحاثها أعمالاً في الإحصاء البايزي للنماذج البيانية ، ومعدلات الاكتشاف الخاطئ ، والتنظيم . وهي أستاذة لويس بلوك للإحصاء في جامعة شيكاغو . ^{[ 1 ] [ 2 ]}

وُلدت رينا فويجل في أوديسا ، أوكرانيا. ^{[ 3 ]} التحقت بجامعة براون ، وحصلت على بكالوريوس العلوم في الرياضيات عام 2005. درّست الرياضيات في مدرسة بارك في بالتيمور من عام 2005 إلى عام 2007. ^{[ 4 ]} أكملت دراستها العليا وحصلت على درجة الماجستير والدكتوراه من جامعة شيكاغو عام 2012. أشرف على أطروحتها، بعنوان " التنبؤ واختيار النموذج للبيانات عالية الأبعاد ذات البنية المتفرقة أو منخفضة الرتبة" ، كلٌ من ماتياس درتون وناثان سريبرو. ^{[ 5 ]} بعد إجراء أبحاث ما بعد الدكتوراه في جامعة ستانفورد مع إيمانويل كانديس ، عادت إلى جامعة شيكاغو كعضو هيئة تدريس. ^{[ 6 ]}

حصلت باربر على زمالة سلون البحثية عام 2016. ^{[ 7 ]} وفي عام 2017، منحها معهد الإحصاء الرياضي (IMS) جائزة تويدي للباحثين الجدد "لمساهماتها الرائدة في إحصاءات الأبعاد العالية، بما في ذلك قابلية تحديد النماذج البيانية، وتقدير المصفوفات منخفضة الرتبة، ونظرية معدل الاكتشاف الخاطئ... [و] تطوير مرشح الإقصاء لاختيار المتغيرات المتحكم بها". ^{[ 6 ]} وفي عام 2020، فازت بجائزة بيتر جافين هول من معهد الإحصاء الرياضي للباحثين في بداية مسيرتهم المهنية "لمساهماتها المتميزة في تطوير المنهجية والنظرية لمشاكل البيانات عالية الأبعاد المهيكلة، مثل الانحدار المتفرق، والنماذج غير البارامترية المتفرقة، والنماذج منخفضة الرتبة، بالإضافة إلى تقنيات التحسين القابلة للتوسع للمشاكل غير المحدبة". ^{[ 8 ]}

انتُخبت زميلةً في معهد الرياضيات التطبيقية (IMS) عام 2023، وذلك لـ"مساهماتها الرائدة في الاستدلال الانتقائي، بما في ذلك تطوير مرشح الإقصاء"، و"مساهماتها الرائدة في الاستدلال التنبؤي غير المعتمد على النموذج، بما في ذلك طريقة جاكنايف+ وتكييف الاستدلال المطابق مع تحولات المتغيرات المصاحبة"، و"كونها قدوةً يُحتذى بها بكل الطرق الممكنة كمحاضرة ومتواصلة ومستشارة بحثية للطلاب والباحثين الشباب". ^{[ 9 ]}

Also in 2023, she was awarded a MacArthur Fellowship, for "Developing tools to reduce false positives and improve confidence in high-dimensional data models." The MacArthur Foundation particularly cited the development of knockoff filtering and jackknife+, writing that "Barber’s innovative work at the intersection of statistics, machine learning, and data science is critical to overcoming the challenges presented by use of high-dimensional datasets."^[4]

She was elected to the National Academy of Sciences in 2025.^[10]

• Rina Foygel Barber publications indexed by Google Scholar
• Home page