数据驱动的优化方法研讨会圆满落幕，全场回顾视频已上线！

11 月 26 日，由微软亚洲研究院理论中心主办的 “数据驱动的优化方法” 研讨会在线上圆满落幕，13 位来自国内外机器学习与优化相关领域的学术界、工业界嘉宾分享了他们的最新研究。本次研讨会受到了领域内人士的广泛关注，百余位研究者线上参会并积极提问互动，线上研讨十分热烈。 

查看研讨会全程回放：

https://b23.tv/LwLfB1M

查看研讨会讲者PPT：

https://www.microsoft.com/en-us/research/event/2022-data-driven-optimization-workshop/schedule/

微软亚洲研究院高级研究员陈卫、中国科学院计算技术研究所研究员孙晓明进行了本次研讨会的开幕。陈卫从概念、意义、研究现状、重点研究课题等角度概览了大数据与人工智能领域中 “数据驱动的优化方法” 这一方向，并对微软亚洲研究院理论中心进行了介绍。随后，孙晓明表示，“数据驱动的优化方法” 是一个新兴的跨学科研究领域，他也引出了本次研讨会的四部分研讨的主题。 

参会嘉宾合影

第一部分研讨以多学科视角切入。清华大学丘成桐数学科学中心副教授周源将定价问题与库存问题相结合，为算法研究提供了新视角。马里兰大学助理教授黄芙蓉介绍了使机器学习更高效的方法，例如通过优化神经网络设计来优化提高模型的效率、通过研究数据转换或增强引起的样本覆盖来提高数据的效率、通过研究去中心化的分布式联合学习来提高范式的效率。中国人民大学准聘助理教授沈蔚然介绍了针对 Stackelberg 博弈的逆向博弈论，将完全理性的模型放宽到经典的定量反应模型，通过放宽后的有界模型带来的平滑特性实现对追随者效用参数的有效学习。 

第二部分的研讨聚焦多臂老虎机问题——以优化结果做反馈来改进数据采样和学习效率。清华大学交叉信息研究院副教授黄隆波介绍了 HTINF、OptINF、AdaINF 三个能够两全其美解决重尾多臂老虎机问题的自适应算法。东京大学研究员 Yuko Kuroki 以 “有限观测场景中的组合纯粹探索” 为主题，探究了有限反馈的组合老虎机问题上的一些可能方向，以应对组合优化问题中的不确定性。微软亚洲研究院主管研究员汪思为聚焦组合多臂老虎机中的汤普森采样，对 Upper Confidence Bound（UCB） 和 Tompson Sampling（TS） 两种算法在组合多臂老虎机场景中的应用情况进行理论分析，认为基于 TS 的算法总能在效率或效果上远好于基于 UCB 的算法。 

第三部分的研讨以基于深度学习和强化学习提升优化效率为主题。微软亚洲研究院高级研究员宋磊介绍了传统供应链优化的难度，并提出了解决这一问题的深度强化学习新方法。宁波诺丁汉大学计算机科学系教授白瑞斌从机器学习和超启发式算法入手，介绍了解决组合优化问题的方案。上海交通大学计算机系副教授严俊驰从图匹配、图应用、通用性、鲁棒性等方面，介绍了关于组合优化的一些实证研究。华中科技大学计算机科学与技术学院副教授金燕展示了针对大规模旅行商问题的端到端强化学习模型及实验结果。 

第四部分的研讨聚焦机器学习的机制如何与传统优化有机结合。上海财经大学副教授伏虎介绍了在线争端解决机制中包含的多个随机优化问题及其在先验未知时的潜力。北京大学前沿计算研究中心助理教授姜少峰介绍了利用预测信息的在线设施选址算法的整体表现，以及其在均匀和不均匀情景下的应用。福州大学数学与统计学院副教授张智杰介绍了结构化信息对于数据驱动算法的重要性，表示其在数据驱动的优化在无法正常学习的时候依然有效。 

全天研讨学术内容丰富、思想交锋热烈，微软亚洲研究院也期待基于理论中心，与全球关注理论研究的同仁持续交流，共同探索有价值的前沿问题。 

关于微软亚洲研究院理论中心

微软亚洲研究院理论中心致力于通过搭建国际学术交流与合作枢纽，促进理论研究与大数据和人工智能技术的深度融合，在推动理论研究进步的同时，加强跨学科研究合作，助力打破 AI 发展瓶颈，实现计算机技术跨越式发展。 

目前，理论中心聘任来自全球的顶尖学者担任顾问，并召集了微软亚洲研究院内部不同团队和研究背景的成员，聚焦于解决包括深度学习、强化学习、动力系统学习和数据驱动优化等领域的基础性问题。 

微软亚洲研究院理论中心期待与学术界和业界展开多方向多层次的研究合作，也欢迎致力于理论研究的人才加入我们的研究队伍，为推动大数据和人工智能时代的新型理论研究而共同努力。 

简历投递邮箱：[e-mail]

更多关于理论中心的信息请访问：https://www.microsoft.com/en-us/research/group/msr-asia-theory-center/