題目一：Generalized Nonconvex Approach for Low-Tubal-Rank Tensor Recovery
内容簡介：The tensor–tensor product-induced tensor nuclear norm (t-TNN) (Lu et al., 2020) minimization for low-tubal- rank tensor recovery attracts broad attention recently. However, minimizing the t-TNN faces some drawbacks. For example, the obtained solution could be suboptimal to the original problem due to its loose approximation. In this article, we extract a unified nonconvex surrogate of the tensor tubal rank as a tighter regularizer, which involves many popular nonconvex penalty functions. An iterative reweighted t-TNN algorithm is proposed to solve the resulting generalized nonconvex tubal rank minimization for tensor recovery. It converges to a critical point globally with rigorous proofs based on the Kurdyka–Łojasiwicz property. Furthermore, we provide the theoretical guarantees for exact and robust recovery by developing the tensor null space property. Extensive experiments demonstrate that our approach markedly enhances recovery performance compared with several state-of-the-art convex and nonconvex methods.
報告人：西南大學 王建軍 教授
報告人簡介：三級教授，博士生導師，重慶市學術帶頭人，重慶市創新創業領軍人才，巴渝學者特聘教授，重慶市工業與應用數學學會、運籌學會副理事長，CSIAM全國大數據與人工智能專家委員會委員，美國數學評論評論員，曾獲重慶市自然科學獎勵。主要研究方向為：高維數據建模、機器學習（深度學習）、數據挖掘、壓縮感知、張量分析、函數逼近論等。在神經網絡(深度學習)逼近複雜性和高維數據稀疏建模等方面有一定的學術積累。主持國家自然科學基金5項，教育部科學技術重點項目1項，重慶市自然科學基金1項，主研8項國家自然、社會科學基金；現主持國家自然科學基金面上項目2項，參與國家重點基礎研究發展‘973’計劃一項， 多次出席國際、國内重要學術會議，并應邀做大會特邀報告22餘次。 已在IEEE Transactions on Pattern Analysis and Machine Intelligence（2）, IEEE Transactions on Neural Networks and Learning System（2），Applied and Computational Harmonic Analysis(2),Inverse Problems, Neural Networks, Signal Processing(2), IEEE Signal Processing letters(2), Journal of Computational and applied mathematics, ICASSP，IET Image processing(2), IET Signal processing(4),中國科學(A,F輯)(4), 數學學報, 計算機學報, 電子學報(3)等知名專業期刊發表90餘篇學術論文,IEEE等系列刊物，National Science Review 及Signal Processing，Neural Networks，Pattern Recognization，中國科學, 計算機學報，電子學報，數學學報等知名期刊審稿人。
題目二：基于稀疏基函數的低秩子空間聚類
内容簡介：首先，我們簡要回顧譜聚類、稀疏子空間聚類、低秩子空間聚類的原理、模型以及算法；其次，引入稀疏基函數的概念，并證明使用稀疏基函數作為矩陣秩的替代函數是合理的，即就是，如果無噪聲數據點來源與獨立的線性子空間，則該模型的最優解在重排的意義下具有塊對角結構；最後，我們以特殊的稀疏基函數—分式函數為例，給出了該模型的求解算法，實驗結果表明，該模型和相應的算法具有良好的表現。
報告人：廣州大學 李海洋 教授
報告人簡介：2008年在陝西師範大學數學與信息科學學院獲基礎數學博士學位，2010年—2014年在西安交通大學從事博士後研究工作，2013年破格晉升為教授，2017年入選陝西省中青年科技創新領軍人才。近年來，先後在IEEE TNNLS，IEEE TIT，Fuzzy Sets and Systems，Soft Computing，Journal of Computational and Applied Mathematics學術期刊發表論文20餘篇；主持國家自然科學基金2項，省部級項目1項；獲陝西省科學技術三等獎1項，陝西省高等學校科學技術二等獎2項。
時 間：2021年5月21日（周五） 下午 3：30開始
地 點：南海樓124室
熱烈歡迎廣大師生參加!
太阳集团1088vip
2021年5月19日