数学与统计学院学术报告[2021]102号

(高水平大学建设系列报告602号)

报告题目: Pursuing Low-Dimensional Structures in Data via Self-Expressiveness

报告人：  李春光  副教授  （北京邮电大学）

报告时间：2021年10月27日下午14：30-16：30

报告地点： 腾讯会议713452447

报告内容：

现实任务中的大部分高维数据集具有低维结构，其中每个低维结构可以用低维子空间近似。自表达模型(Self-Expressive Model)是检测和发现高维数据中存在着的多个低维子空间的有效工具。在过去的十年中，基于自表达模型的子空间聚类方法得到广泛研究，被成功应用于图像表示与压缩、运动分割、图像聚类、视频分割、混合系统辨识、社团聚类、遥感图像分割以及基因表达阵列数据聚类等许多任务中。本报告将介绍：(1) 高维数据中的低维结构与子空间聚类问题提出；(2) 现有的基于自表达模型的子空间聚类方法以及部分理论结果综述；(3) 随机稀疏子空间聚类(CVPR'20)和自表达网络(CVPR'21)。

报告人简历：

李春光， 现为北京邮电大学人工智能学院副教授、博士生导师；2011年1月入选微软亚洲研究院"铸星计划(StarTrack)"，2011年7月到2012年4月在视觉计算组访问研究；2012年12月至2013年11月底受国家留学基金委资助在美国约翰斯·霍普金斯大学生物医学工程系成像科学中心视觉实验室访问研究；2019年12月至2020年2月受北京邮电大学首批"双一流"建设引导专项资助在美国约翰斯·霍普金斯大学数据科学数学研究所(MINDS)访问研究。研究方向为机器学习与数据科学，研究兴趣为高维数据建模、分析与学习及其在信号处理、模式识别、生物信息学和精准医学中的应用等；目前在研国家自然科学基金面上项目1项、横向委托研发项目1项，累计在本领域国际学术会议和国际学术期刊上发表相关研究论文50余篇，应邀担任国际模式识别大会(ICPR 2020)和IEEE计算机视觉与模式识别大会(CVPR 2021)领域主席，与所指导的研究生共同荣获IEEE视觉通信与图像处理大会(VCIP2019)最佳学生论文奖。现为CCF-CV专委委员/CSIG-MV专委会委员/CCF-AI专委委员，IEEE高级会员(Senior Member)。

欢迎感兴趣的师生参加！

　　　　　　　　　　　　　　　　　　　　　　数学与统计学院

                               　　　　　　　　 2021年10月25日