管界超

教师简介

管界超，预聘助理教授，博士生导师。在中国人民大学获得数学专业学士学位和计算机专业博士学位，曾在香港科技大学（广州）人工智能学域担任博士后研究员。研究方向是机器学习理论与算法，以第一作者身份在机器学习期刊和会议TPAMI、ICML、NeurIPS、ICLR上发表多篇论文，曾获NeurIPS和ICLR的Spotlight奖。

过往研究

关注元学习（多任务学习）的泛化理论和算法设计。

（1）统计元学习：在不利用额外理论假设情形下，通过新提出的分析技巧获得了首个具有快速收敛速率的PAC-Bayes元学习泛化误差界；利用算法稳定性技术，为基于“support/query划分训练策略”的现代元学习算法提出了收敛速率几乎最优的泛化误差界，揭示了“现代support/query训练策略”相比于“传统经验损失最小化训练策略”的优势和不足。

（2）在线元学习：在损失函数非凸非Lipschitz连续情形，设计出了首个具有渐近后悔界保证（即迭代次数趋于无穷时后悔界趋于0）的在线多任务学习算法，用于单任务在线算法Hedge的超参数动态调整；针对层次贝叶斯老虎机问题，设计出了首个具有对数贝叶斯后悔界的多任务老虎机算法-层次贝叶斯UCB（HierBayesUCB）。

学生招收

欢迎对机器学习理论分析、算法设计、实际应用感兴趣的博士生、硕士生、本科生加入实验室。需具有数学、统计、计算机等相关专业背景，希望联系的同学踏实进取，有志于研究出更加高效、实用、深刻的机器学习理论与算法。

实验室目前有2026年/2027年秋季入学的博士与硕士研究生名额，如有意向，欢迎与我邮件联系。

未来方向

关注多智能体强化学习、持续学习、元强化学习的理论、算法、应用。

（1）多智能体强化学习。研究博弈多智能体均衡（最优）策略的高效生成和实际部署，代表性方法包括一阶在线优化、反事实后悔分解、神经网络近似、大语言模型生成，关注算法在游戏（如德扑、斗地主、星际争霸）等竞争型智能体场景的应用。

（2）持续学习。研究持续学习算法的灾难遗忘产生机理与预防机制，代表性方法包括多元回归分析、基于基础模型的低秩微调（LoRA），关注算法在持续回归与分类场景（如机器人自主避障）的应用。

（3）元强化学习。研究面向老虎机算法超参数微调的在线元学习方法，代表性方法包括层次强化学习、先验估计，关注算法在多任务流式老虎机场景（如在线商品推荐）的应用。

教育背景

2018-2023，中国人民大学，计算机应用技术专业，博士

2014-2018，中国人民大学，数学与应用数学专业，学士

工作经历

2025-至今，中山大学计算机学院，副教授

2023-2025，香港科技大学（广州）人工智能学域，博士后

科研项目

国家自然科学基金青年基金项目（C类）：基于算法超参数优化的在线多任务学习理论与方法，2026-2028，主持

广东省面上项目：面向持续学习的超参数自适应优化理论与算法研究，2026-2028，主持

代表论文

[NeurIPS] Jiechao Guan, Hui Xiong: Improved Bayes Regret Bounds for Multi-Task Hierarchical Bayesian Bandit Algorithms. Conference on Neural Information Processing Systems, 2024.

[ICLR] Jiechao Guan, Hui Xiong: Improved Regret Bounds for Non-Convex Online-Within-Online Meta Learning. International Conference on Learning Representations, 2024.

[NeurIPS] Jiechao Guan, Yong Liu, Zhiwu Lu: Fine-Grained Analysis of Stability and Generalization for Modern Meta Learning Algorithms. Conference on Neural Information Processing Systems, 2022. (Spotlight, top 5%)

[ICML] Jiechao Guan, Zhiwu Lu: Fast-Rate PAC-Bayesian Generalization Bounds for Meta-Learning.International Conference on Machine Learning, 2022.

[ICLR] Jiechao Guan, Zhiwu Lu: Task Relatedness-Based Generalization Bounds for Meta Learning. International Conference on Learning Representations, 2022. (Spotlight, top 5%)

[TPAMI] Jiechao Guan, Zhiwu Lu, Tao Xiang, Aoxue Li, An Zhao, Ji-Rong Wen: Zero and Few Shot Learning with Semantic Feature Synthesis and Competitive Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021.

[NeurIPS] An Zhao*, Mingyu Ding*, Jiechao Guan*, Zhiwu Lu, Tao Xiang, Ji-Rong Wen: Domain-Invariant Projection Learning for Zero-Shot Recognition. Conference on Neural Information Processing Systems, 2018. (* equal contribution)