题目:贝叶斯优化的高效替代:基于核张量分解的贝叶斯建模方法
演讲人:孙立君 ,加拿大蒙特利尔麦吉尔大学土木工程系长聘副教授
主持人:陈显,上海大学管理学院讲师
时间:2025年7月28日(周一),上午10:00
地点:上海大学校本部东区1号楼管理学院420会议室
主办单位:上海大学管理学院、上海大学管理学院青年教师联谊会
演讲人简介:
孙立君,加拿大蒙特利尔麦吉尔大学土木工程系的长聘副教授,William Dawson学者。
孙教授的研究致力于开发统计与机器学习技术、工具与应用,以应对城市交通系统中的效率、韧性、不确定性和可持续性问题。目前,孙教授领导麦吉尔大学的智能交通实验室,实验室的研究重点包括:城市出行与交通数据的时空建模、人类驾驶行为的随机建模、概率时间序列预测、贝叶斯统计方法以及张量分析等方向。
孙教授现任《Artificial Intelligence for Transportation》期刊的执行主编,并担任交通领域顶级期刊《Transportation Science》和《Transportation Research Part C – Emerging Technologies》的副主编。
演讲内容简介:
贝叶斯优化(Bayesian Optimization,简称 BO)通常采用具有乘积核结构的高斯过程(Gaussian Processes, GPs)作为代理模型。然而,这类局部核函数在学习非平稳、非可分或多峰复杂函数时存在一定局限性。本次报告将介绍一种新型的贝叶斯优化代理模型——贝叶斯核化张量分解(Bayesian Kernelized Tensor Factorization,BKTF),该模型能够同时处理连续变量和类别变量。孙教授的方法通过全贝叶斯的低秩张量分解来逼近底层的多维函数,并在每个连续变量的潜在基函数上引入高斯过程先验,从而捕捉局部一致性与平滑性。这一建模方式使得每个样本的信息不仅可以与邻近点共享,还可以在不同维度间传播,从而支持更具全局性的搜索策略。为实现高效推断,孙教授设计了一种高效的马尔可夫链蒙特卡洛(MCMC)算法,用于近似预测分布,并基于此构建了全贝叶斯的采集函数(acquisition function)。对多个基准函数以及两个机器学习超参数调优问题的数值实验表明,BKTF在样本初始数量有限和计算预算受限的场景下,依然能灵活有效地刻画和优化复杂函数,表现出优越的性能。
欢迎广大师生参加!