张量（多维数组）是现实世界中多元关系和多方面特性的一种数据表示，是矩阵从二维向三维或更高维的拓展。张量分解是机器学习、数学分析、图分析、计算机视觉、推荐系统中的一类重要方法，它通过把高维张量分解成一个小张量和各个维度（对象）上的因子的乘积（如上方左图所示），来压缩数据和解释数据。例如淘宝网会员超过3.7亿，在线商品超过8.8亿，每天交易数千万笔，产生约20TB数据；这里的<用户-商品-交易-时间>数据构成了一个张量。由于张量数据通常是不完整的，可以通过张量分解，来发现每个对象上的因子（例如用户的社区结构、商品类型等），用以解释用户的购买规律，并可进一步对用户在未来某一段时间内的购买行为进行预测。传统的张量分解大多是基于连续数值的线性分解，很难描述各个对象间的复杂关系和处理不同的数据类型。该论文通过引入建立在张量上的高斯过程，首次将张量分解问题转变为一个非线性模型，并支持所有的数据类型，因此取得了比传统张量分解模型更高的预测精度（如上方右图所示）。
徐增林教授是国家“青年****”入选者和四川省“****”入选者，主要研究方向包括机器学习、大数据分析以其在神经信息学、社会网络分析、异常检测等方面的数据处理。他在中国计算机学会（CCF）指定的A/B类期刊会议上总共发表近30篇文章。自2014年5月加入电子科技大学计算机学院和大数据研究中心以来，徐增林教授创立统计机器智能与学习实验室（Statistical Machine Intelligence & LEarning Lab, 简称SMILE Lab），推动我校机器学习及应用方面的进展，并以第一作者或通讯作者身份，在人工智能和机器学习领域顶级期刊（IEEE T-PAMI）和顶级国际会议（AAAI）上共发表论文3篇。其中，两篇AAAI论文题目分别为：Sparse Bayesian Multiview Learning for Simultaneous Association Discovery and Diagnosis of Alzheimers Disease（稀疏贝叶斯多视角学习技术及其在艾滋海默症中关联发现和诊断中的应用）和Nystrom Approximation for Sparse Kernel Methods: Theoretical Analysis and Empirical Evaluation（稀疏核方法的Nystrom估计：理论分析和实验验证）。其中第一篇论文获得“最佳学生论文奖”唯一提名奖，由徐增林教授和普渡大学漆远副教授共同指导。
IEEE T-PAMI，全称为IEEE Transactions on Pattern Analysis and Machine Intelligence，是人工智能、模式识别、图像处理、计算机视觉领域的顶尖国际期刊之一，2013-2014年度影响因子为5.694，5年影响因子（5-year Impact factor）为7.015，是计算机科学与人工智能领域的5个一区刊物之一，也是中国计算机学会（CCF）指定的人工智能与模式识别领域4大A类期刊之一。
论文链接：http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=6629993
