主题：Sequential Monte Carlo for Diffusion Models
主讲人：清华大学刘军教授
主持人：统计与数据科学学院林华珍教授
时间：2026年6月1日（周一）上午10：30-11：30
地点：柳林校区弘远楼109会议室
主办单位：统计与数据科学学院和统计研究中心 国际交流与合作处 科研处
主讲人简介：
刘军，美国科学院院士、清华大学兴华卓越讲席教授、清华统计与数据科学系主任。获北京大学数学学士（1985）和芝加哥大学统计学博士学位（1991）。自1991至2025，曾任哈佛大学和斯坦福大学统计系助理教授、终身教授；还曾任美国统计协会会刊(JASA)联席主编及多个国际一流统计杂志副主编等职。曾获统计领域最高荣誉考普斯会长奖（2002）、华人数学家大会晨兴应用数学金奖（2010）、泛华统计协会许宝騄奖（2016）。于2004、2005和2022年分别成为数理统计学会（IMS）、美国统计学会（ASA）、和国际计算生物学会（ISCB）选举会士。于2025年当选美国国家科学院院士。他指导了40多位博士生、30多位博士后；在国际权威期刊发表300余学术论文篇和一本专著，被引用近10万次 (GoogleScholar)。
内容提要：
Sequential Monte Carlo (aka particle filtering) has been widely used as a powerful tool for making Bayesian inference in both static and dynamical systems. Two key steps in sequential Monte Carlo are (a) finding a good recursive particle sampling distribution (or a good way to guide the particle generation); and (b) resampling, which plays a role of providing sufficient resources towards promising directions. We will review some approaches for conducting these two main steps. and show how they may be modified and adapted to do conditional generation in diffusion models. We also propose Wasserstein-Dirichlet resampling (WDR). WDR first constructs an empirical measure that optimally approximates the weighted particle distribution in the Wasserstein sense by solving a free-support Wasserstein barycenter problem. To balance geometric fidelity with Monte Carlo variability, WDR further employs a Dirichlet mixing mechanism that randomizes the optimal coupling. This talk is based on the joint work with Qianqian Qu, Mengyu Li and Cheng Meng.
