致力於整合以下領域的尖端方法來推動工業工程的發展：
1. 隨機和數據驅動的優化：將不確定性和實際數據納入隨機模型和演算法的建構，藉此在複雜環境中做出最佳的決策。這個研究領域對於交通運輸、供應鏈和能源管理等至關重要，其中數據的不確定性扮演著非常重要的角色。
2. 統計機器學習：此研究以建構預測模型和演算法為主，目的是在動態和不確定環境的複雜系統下提高決策的準確度。
3. 計算統計：此研究主要是開發高效率的演算法來執行各種統計方法，並藉此分析大尺度的工業數據。
4. 格蘭傑因果檢驗：探索時間序列數據中變數之間的因果關係，藉此改進工業的流程和預測。
這些研究推動了工業工程領域的創新，且提供了穩健、資料驅動的解決方案來因應各種現代化的挑戰。研究工作旨在縮小理論發展與實際應用之間的差距，以確保工程的實踐始終處於技術發展的前端。
