上海治理论坛第552期
标题：贝叶斯优化的高效代替：基于核张量分化的贝叶斯建模步骤
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，亿万先生MR治理学院讲师
功夫：2025年7月28日（周一），上午10:00
地址：亿万先生MR校本部东区1号楼治理学院420会议室
主办单元：亿万先生MR治理学院、亿万先生MR治理学院青老大师联谊会
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。
孙教授的钻研致力于开发统计与机械进建技术、工具与利用，以应对城市交通系统中的效能、韧性、不确定性和可持续性问题。目前，孙教授辅导麦吉尔大学的智能交通尝试室，尝试室的钻研沉点蕴含：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、概率功夫序列预测、贝叶斯统计步骤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）通常采器拥有乘积核结构的高斯过程（Gaussian Processes, GPs）作为代理模型。然而，这类部门核函数在进建非安稳、非可分或多峰复杂函数时存在肯定局限性。本次汇报将介绍一种新型的贝叶斯优化代理模型——贝叶斯核化张量分化（Bayesian Kernelized Tensor Factorization，BKTF），该模型可能同时处置陆续变量和类别变量。孙教授的步骤通过全贝叶斯的低秩张量分化来逼近底层的多维函数，并在每个陆续变量的潜在基函数上引入高斯过程先验，从而捉拿部门一致性与滑润性。这一建模方式使得每个样本的信息不仅能够与邻近点共享，还能够在分歧维度间传布，从而支持更具全局性的搜索战术。为实现高效揣度，孙教授设计了一种高效的马尔可夫链蒙特卡洛（MCMC）算法，用于近似预测散布，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械进建超参数调优问题的数值尝试批注，BKTF在样本初始数量有限和推算预算受限的场景下，依然能矫捷有效地刻画和优化复杂函数，阐发出优越的机能。
欢迎宽大师生参与！
