上海管理论坛第552期
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 ，J9国际集团管理学院讲师
时间：2025年7月28日（周一） ，上午10:00
地点：J9国际集团校本部东区1号楼管理学院420会议室
主办单位：J9国际集团管理学院、J9国际集团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！
