L21范和迹范数在稀疏编码和低秩矩阵模型中的应用

题目：L21范和迹范数在稀疏编码和低秩矩阵模型中的应用

报告人：丁宏强，安徽大学

时间：2017.6.30（周五）下午15：00-17：30

地点：新数学楼416室

报告人简介:

丁宏强 (Chris H.Q.Ding) 安徽大学教授。早年在美国哥伦比亚大学李政道教授研究小组求学，获博士学位。长期工作于美国加州理工学院，喷气动力实验室，及劳伦斯-伯克利国家实验室。2007年加入德州大学阿灵顿分校任终身教授。研究成果被Science与Nature杂志作为封面介绍和描述。他的研究领域包括数据挖掘，机器学习，信息检索，高性能计算等。从 2000 年开始，他和合作者创立了用矩阵模型作为中心理论和计算方法的子领域，研究PCA和K均值聚类的等价性，由此引发了低秩、降维等大量后续工作；揭示了非负矩阵分解的聚类功能，由此导致了非负矩阵分解在无监督学习中的广泛应用；国际上第一次提出矩阵L21范数的概念，现在L21范数已经广泛应用在机器学习，模式识别等领域中。他已发表200余篇高水平论文，被引用次数超过26841次，他发表在IEEE TPAMI上一篇有关特征选择的论文被引4501次，多年来长期高居TPAMI最受欢迎（most popular）论文前十位以内。

报告摘要：

In machine learning and sparse coding,  low rank models are widely used for  robust data representation and similarity function learning. Trace norm isnow often used as regularization to enforce low rank. Most recently Schatten-p norm were found to be more effective in enforcing the low-rank property.Sparse coding starts from LASSO using L1 norm and grows into L21 norm based multi-class feature selection. More recently, L2p norm based models were found toselect better features. Weexplain the math properties and insights into trace norm, Schatten p-norm, L21 and L2p norms, and survey these new and growing machine learning areas.

数学所

2017年6月7日