题目一：Generalized Nonconvex Approach for Low-Tubal-Rank Tensor Recovery
内容简介：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.
报告人：西南大学 王建军 教授
报告人简介：三级教授，博士生导师，重庆市学术带头人，重庆市创新创业领军人才，巴渝学者特聘教授，重庆市工业与应用数学学会、运筹学会副理事长，CSIAM全国大数据与人工智能专家委员会委员，美国数学评论评论员，曾获重庆市自然科学奖励。主要研究方向为：高维数据建模、机器学习（深度学习）、数据挖掘、压缩感知、张量分析、函数逼近论等。在神经网络(深度学习)逼近复杂性和高维数据稀疏建模等方面有一定的学术积累。主持国家自然科学基金5项，教育部科学技术重点项目1项，重庆市自然科学基金1项，主研8项国家自然、社会科学基金；现主持国家自然科学基金面上项目2项，参与国家重点基础研究发展‘973’计划一项， 多次出席国际、国内重要学术会议，并应邀做大会特邀报告22余次。 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),中国科学(A,F辑)(4), 数学学报, 计算机学报, 电子学报(3)等知名专业期刊发表90余篇学术论文,IEEE等系列刊物，National Science Review 及Signal Processing，Neural Networks，Pattern Recognization，中国科学, 计算机学报，电子学报，数学学报等知名期刊审稿人。
题目二：基于稀疏基函数的低秩子空间聚类
内容简介：首先，我们简要回顾谱聚类、稀疏子空间聚类、低秩子空间聚类的原理、模型以及算法；其次，引入稀疏基函数的概念，并证明使用稀疏基函数作为矩阵秩的替代函数是合理的，即就是，如果无噪声数据点来源与独立的线性子空间，则该模型的最优解在重排的意义下具有块对角结构；最后，我们以特殊的稀疏基函数—分式函数为例，给出了该模型的求解算法，实验结果表明，该模型和相应的算法具有良好的表现。
报告人：广州大学 李海洋 教授
报告人简介：2008年在陕西师范大学数学与信息科学学院获基础数学博士学位，2010年—2014年在西安交通大学从事博士后研究工作，2013年破格晋升为教授，2017年入选陕西省中青年科技创新领军人才。近年来，先后在IEEE TNNLS，IEEE TIT，Fuzzy Sets and Systems，Soft Computing，Journal of Computational and Applied Mathematics学术期刊发表论文20余篇；主持国家自然科学基金2项，省部级项目1项；获陕西省科学技术三等奖1项，陕西省高等学校科学技术二等奖2项。
时 间：2021年5月21日（周五） 下午 3：30开始
地 点：南海楼124室
热烈欢迎广大师生参加!
信息科学技术学院
2021年5月19日