通知公告

您现在的位置是:首页>通知公告 >详细内容

信息科学技术学院建院20周年系列:网络空间安全学院学术讲座(八、九、十、十一)

来源:作者:发布时间:2021年04月07日 浏览次数: [字体: ]

 

题目一:Robust Low-Tubal-Rank Tensor Recovery from Binary Measurements

内容简介:This talk focuses on the recovery of low-tubal-rank tensors from binary measurements based on tensor-tensor product (or t-product) and tensor Singular Value Decomposition (t-SVD). Two types of recovery models are considered, one is the tensor hard singular tube thresholding and the other one is the tensor nuclear norm minimization. In the case no random dither exists in the measurements, our research shows that the direction of tensor XRn1xn2xn3 with tubal rank r can be well approximated from 0(r(n1+n2)n3) random Gaussian measurements. In the case nonadaptive dither exists in the measurements, it is proved that both the direction and the magnitude of X can be simultaneously recovered. As we will see, under the nonadaptive measurement scheme, the recovery errors of two reconstruction procedures decay at the rate of polynomial of the oversampling factor λ=m/r(n1+n2)n3(m is the random Gaussian measurements). In order to obtain faster decay rate, we introduce a recursive strategy and allow the dithers in quantization to be adaptive to previous measurements for each iterations. Under this quantization scheme, two iterative recovery algorithms are proposed which establish recovery errors decaying at the rate of exponent of the oversampling factor λ. Numerical experiments on both synthetic and real-world data sets are conducted and demonstrate the validity of our theoretical results and the superiority of our algorithms.

报告人:西南大学  王建军  教授

报告人简介:博士,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,重庆工业与应用数学学会副理事长,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:噪声水平未知的低秩矩阵恢复

内容简介:目前,低秩矩阵恢复依然为非常活跃的研究课题,被广泛应用于量子层析成像、多任务学习、人脸识别、传感器定位、图像处理、机器学习、目标监测等方向和领域。低秩矩阵恢复往往由于其测量带有噪声,使得问题处理变得异常困难。传统含噪低秩矩阵恢复一般要求具有噪声水平的正确估计这一先验信息,并借助核范数极小化模型实现的。然而,现实中这样的先验信息在很多情形下是很难获得或者不可能知道的,如遥感图像、核磁共振图像、CT图像等。本报告主要对噪声水平未知的低秩矩阵恢复问题展开探讨。

报告人:北方民族大学  高义  教授

报告人简介:博士,教授,硕士研究生导师,英国林肯大学访问学者,现代分析数学及其应用学术委员会委员。现任北方民族大学数学与信息科学学院副院长。近5年,主要从事稀疏信息处理中的数学理论与方法的研究,在随机采样、稀疏信号处理、低秩矩阵恢复等方面取得了一些重要成果,以第一作者在《Signal Processing》《中国科学:数学》等知名期刊发表了多篇较高质量的研究论文。主持完成了宁夏自然科学基金和国家民委科研项目各1项,参与完成国家自然科学基金和欧盟项目各2项。现主持国家自然科学基金、宁夏自然科学基金、宁夏留学回国人员创新研究项目各1项。

 

题目三:Some Issues about Canonical Correlation Analysis and Sketch-based Image Retrieval

内容简介:典型相关性分析是用来探索两个多变量(向量)之间的关联关系的多元统计分析方法,它已经广泛应用于基因序列分析,多视图学习,跨语言文本检索、图像检索等领域。本报告首先研究典型相关分析,核典型相关分析和条件核典型相关分析的一些理论分析和相关算法,接着介绍最近几年出现的手绘素描检索的相关算法。

报告人:广东财经大学  蔡佳  教授

报告人简介:博士,广东财经大学统计与数学学院教授,硕士生导师。主要研究方向为统计机器学习,数据分析,模式识别。2009 年-2015 年曾数次访问香港城市大学,2017 年2 月-2018年2 月访问纽约州立大学奥尔巴尼分校。现为广东省高等学校“千百十人才培养工程”校级培养对象,国家自然科学基金评审入库专家,教育部科技管理系统入库专家,广东省自然科学基金评审专家。担任广东省计算数学学会常务理事,广东省计算机学会大数据专委会委员。曾参加第三届国际计算调和分析会议(上海), 第四届数学太平洋峰会(香港), 第七届曲线和曲面上的数学方法会议(挪威), 第二十五届国际机器学习会议(芬兰), 计算学习理论和实践夏令营(美国),计算学习理论会议(法国),欧洲机器学习会议(德国)等并在会上作报告。已在国内外著名期刊《IEEE Transactions on Neural Networks and Learning Systems》,《Neural Networks》,《Neural Computation》,《Journal of Multivariate Analysis》,《Engineering Applications of Artificial Intelligence》,《Neurocomputing》,《中国科学》(中英文版)发表SCI检索论文近20篇,主持和承担了国家自科(青年,面上),国家社科,教育部人文社科,国家统计局,广东省自科,广东省教育厅,广州市科技计划等20余项项目。 现为国外SCI 检索期刊IEEE Transactions on Neural Networks and Learning Systems, Neural Networks, Pattern Recognition, Engineering Applications of Artificial Intelligence, International Journal of Wavelets Multiresolution and Information Processing,Journal of Statistical Computation and Simulation等期刊的审稿专家。

 

题目四:Nearly Optimal Number of Iterations for Sparse Signal Recovery with Orthogonal Multi-Matching Pursuit

内容简介:Recovering a $K$-sparse signal $\mathbf{x}$ from linear measurements $\mathbf{y}=\mathbf{A}\mathbf{x}+\mathbf{w}$,where $\mathbf{A}$ is a sensing matrix and $\mathbf{w}$ is a noise vector, arises from numerous applications.

Orthogonal multi-matching pursuit (OMMP), which is an extension of the OMP algorithm, has better recovery performance than OMP. This paper provides a nearly optimal number of iterations for OMMP. Specifically, we show that if the matrix mathbf{A}\in\mathbb{R}^{m\times n}$ satisfies the restricted isometry property (RIP) with $\delta_{6K}\leq0.026$,then OMMP provides a stable reconstruction of  $\mathbf{x}$  in $\lceil\frac{4K}{M}\rceil$ iterations, where $M$ is the number of indices chosen in each iteration of the OMMP algorithm.Furthermore, we build an upper bound on the recovery error with fewer required iterations than existing results.

These results show that the required number of iterations to ensure stable recovery of any $K$-sparse signals are fewer than those required by the start-of-the-art results.

报告人:河南师范大学  李海锋  副教授

报告人简介:博士。目前在北京应用物理与计算数学研究所谌稳固老师门下做博士后研究。主要从事调和分析、压缩感知的理论及应用研究,在IEEE Journal of Selected Topics in Signal Processing, IEEE Signal Processing Letters, Signal Processing, IET Signal Processing等学术刊物发表科研论文20余篇。

 

时  间:2021年4月11日(周日) 下午 14:30开始

地  点:腾讯会议 ID:808 561 189   会议密码:210410

 

热烈欢迎广大师生参加!

 

 

信息科学技术学院

2021年4月7日

 

[打印文章] [添加收藏]