主题：对于动态数据的贝叶斯张量学习
嘉宾：方榯楷 美国犹他大学
时间：2024年1月19日 下午 2:30 – 3:30
地点：18luck新利电竞
东五楼210学术报告厅
报告摘要：
张量分解是分析多维结构数据的核心工具之一。诸如CP、Tucker 分解等传统张量方法，在分析流式张量、时序张量等动态数据时，存在根本上的缺陷。本次报告将介绍一系列关于对动态数据的贝叶斯张量学习的前沿工作，主要专注于两个主题：1. 流式张量分析 2. 时序张量建模。前者将涵盖对于如何将在线学习和序列推断等方法应用到流式数据的分析中，使得张量模型能够高效地适用于大规模的实时性的数据场景。第二部分将介绍如果把时序特征嵌入到传统的张量建模中来，使得学习到的低秩具有连续性与动态性。报告还会简单介绍动态张量学习和时间序列、图序列、LLM等领域的一些拓展和联系。
报告人简介：
方榯楷，美国犹他大学第五年在读的计算机博士生。他在2018于中国科技技术大学少年班学院，取得统计与计算机的本科学位，在2019年与美国天普大学取得计算机硕士学位。他的研究领域为贝叶斯机器学习，概率模型，张量学习，序列推断，和物理启发的机器学习。他有十余篇研究成果发表在机器学习和数据挖掘的顶级会议（ICML/NeurIPS/UAI/ICDM/CIKM）上，对担任诸多人工智能会议期刊的的审稿人。更多信息请可看他的个人主页：https://www.cs.utah.edu/~shikai/
