信息科學(xué)技術(shù)學(xué)院建院20周年系列：網(wǎng)絡(luò)空間安全學(xué)院學(xué)術(shù)講座(八、九、十、十一)
題目一：Robust Low-Tubal-Rank Tensor Recovery from Binary Measurements
內(nèi)容簡介：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
with tubal rank r can be well approximated from random Gaussian measurements. In the case nonadaptive dither exists in the measurements, it is proved that both the direction and the magnitude of 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 (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. 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.
報告人：西南大學(xué)王建軍教授
報告人簡介：博士，三級教授，博士生導(dǎo)師，重慶市學(xué)術(shù)帶頭人，重慶市創(chuàng)新創(chuàng)業(yè)領(lǐng)軍人才，巴渝學(xué)者特聘教授，重慶工業(yè)與應(yīng)用數(shù)學(xué)學(xué)會副理事長，CSIAM全國大數(shù)據(jù)與人工智能專家委員會委員，美國數(shù)學(xué)評論評論員，曾獲重慶市自然科學(xué)獎勵。主要研究方向為：高維數(shù)據(jù)建模、機器學(xué)習(xí)（深度學(xué)習(xí)）、數(shù)據(jù)挖掘、壓縮感知、張量分析、函數(shù)逼近論等。在神經(jīng)網(wǎng)絡(luò)(深度學(xué)習(xí))逼近復(fù)雜性和高維數(shù)據(jù)稀疏建模等方面有一定的學(xué)術(shù)積累。主持國家自然科學(xué)基金5項，教育部科學(xué)技術(shù)重點項目1項，重慶市自然科學(xué)基金1項，主研8項國家自然、社會科學(xué)基金；現(xiàn)主持國家自然科學(xué)基金面上項目2項，參與國家重點基礎(chǔ)研究發(fā)展‘973’計劃一項， 多次出席國際、國內(nèi)重要學(xué)術(shù)會議，并應(yīng)邀做大會特邀報告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),中國科學(xué)(A,F輯)(4), 數(shù)學(xué)學(xué)報, 計算機學(xué)報, 電子學(xué)報(3)等知名專業(yè)期刊發(fā)表90余篇學(xué)術(shù)論文,IEEE等系列刊物，National Science Review 及Signal Processing，Neural Networks，Pattern Recognization，中國科學(xué), 計算機學(xué)報，電子學(xué)報，數(shù)學(xué)學(xué)報等知名期刊審稿人。
題目二：噪聲水平未知的低秩矩陣恢復(fù)
內(nèi)容簡介：目前，低秩矩陣恢復(fù)依然為非常活躍的研究課題，被廣泛應(yīng)用于量子層析成像、多任務(wù)學(xué)習(xí)、人臉識別、傳感器定位、圖像處理、機器學(xué)習(xí)、目標(biāo)監(jiān)測等方向和領(lǐng)域。低秩矩陣恢復(fù)往往由于其測量帶有噪聲，使得問題處理變得異常困難。傳統(tǒng)含噪低秩矩陣恢復(fù)一般要求具有噪聲水平的正確估計這一先驗信息，并借助核范數(shù)極小化模型實現(xiàn)的。然而，現(xiàn)實中這樣的先驗信息在很多情形下是很難獲得或者不可能知道的，如遙感圖像、核磁共振圖像、CT圖像等。本報告主要對噪聲水平未知的低秩矩陣恢復(fù)問題展開探討。
報告人：北方民族大學(xué)高義教授
報告人簡介：博士，教授，碩士研究生導(dǎo)師，英國林肯大學(xué)訪問學(xué)者，現(xiàn)代分析數(shù)學(xué)及其應(yīng)用學(xué)術(shù)委員會委員。現(xiàn)任北方民族大學(xué)數(shù)學(xué)與信息科學(xué)學(xué)院副院長。近5年，主要從事稀疏信息處理中的數(shù)學(xué)理論與方法的研究，在隨機采樣、稀疏信號處理、低秩矩陣恢復(fù)等方面取得了一些重要成果，以第一作者在《Signal Processing》《中國科學(xué):數(shù)學(xué)》等知名期刊發(fā)表了多篇較高質(zhì)量的研究論文。主持完成了寧夏自然科學(xué)基金和國家民委科研項目各1項，參與完成國家自然科學(xué)基金和歐盟項目各2項。現(xiàn)主持國家自然科學(xué)基金、寧夏自然科學(xué)基金、寧夏留學(xué)回國人員創(chuàng)新研究項目各1項。
題目三：Some Issues about Canonical Correlation Analysis and Sketch-based Image Retrieval
內(nèi)容簡介：典型相關(guān)性分析是用來探索兩個多變量（向量）之間的關(guān)聯(lián)關(guān)系的多元統(tǒng)計分析方法，它已經(jīng)廣泛應(yīng)用于基因序列分析，多視圖學(xué)習(xí)，跨語言文本檢索、圖像檢索等領(lǐng)域。本報告首先研究典型相關(guān)分析，核典型相關(guān)分析和條件核典型相關(guān)分析的一些理論分析和相關(guān)算法，接著介紹最近幾年出現(xiàn)的手繪素描檢索的相關(guān)算法。
報告人：廣東財經(jīng)大學(xué)蔡佳教授
報告人簡介：博士，廣東財經(jīng)大學(xué)統(tǒng)計與數(shù)學(xué)學(xué)院教授，碩士生導(dǎo)師。主要研究方向為統(tǒng)計機器學(xué)習(xí)，數(shù)據(jù)分析，模式識別。2009 年-2015 年曾數(shù)次訪問香港城市大學(xué)，2017 年2 月-2018年2 月訪問紐約州立大學(xué)奧爾巴尼分校。現(xiàn)為廣東省高等學(xué)校“千百十人才培養(yǎng)工程”校級培養(yǎng)對象，國家自然科學(xué)基金評審入庫專家，教育部科技管理系統(tǒng)入庫專家，廣東省自然科學(xué)基金評審專家。擔(dān)任廣東省計算數(shù)學(xué)學(xué)會常務(wù)理事，廣東省計算機學(xué)會大數(shù)據(jù)專委會委員。曾參加第三屆國際計算調(diào)和分析會議(上海), 第四屆數(shù)學(xué)太平洋峰會(香港), 第七屆曲線和曲面上的數(shù)學(xué)方法會議(挪威), 第二十五屆國際機器學(xué)習(xí)會議(芬蘭), 計算學(xué)習(xí)理論和實踐夏令營(美國)，計算學(xué)習(xí)理論會議(法國)，歐洲機器學(xué)習(xí)會議(德國)等并在會上作報告。已在國內(nèi)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》,《中國科學(xué)》(中英文版)發(fā)表SCI檢索論文近20篇，主持和承擔(dān)了國家自科(青年，面上)，國家社科，教育部人文社科，國家統(tǒng)計局，廣東省自科，廣東省教育廳，廣州市科技計劃等20余項項目。 現(xiàn)為國外SCI 檢索期刊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等期刊的審稿專家。
題目四：Nearly Optimal Number of Iterations for Sparse SignalRecovery with Orthogonal Multi-Matching Pursuit
內(nèi)容簡介：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 iterationsto ensure stable recovery of any $K$-sparse signals are fewer than those required by the start-of-the-art results.
報告人：河南師范大學(xué)李海鋒副教授
報告人簡介：博士。目前在北京應(yīng)用物理與計算數(shù)學(xué)研究所諶穩(wěn)固老師門下做博士后研究。主要從事調(diào)和分析、壓縮感知的理論及應(yīng)用研究，在IEEE Journal of Selected Topics in Signal Processing， IEEE Signal Processing Letters, Signal Processing, IET Signal Processing等學(xué)術(shù)刊物發(fā)表科研論文20余篇。
時間：2021年4月11日（周日）下午14：30開始
地點：騰訊會議ID：808 561 189會議密碼：210410
熱烈歡迎廣大師生參加!
信息科學(xué)技術(shù)學(xué)院
2021年4月7日