报告题目：Low Rank Matrix Approximation with Manifold Regularization
报告人：张振跃教授（浙江大学）
报告时间：2019年6月24日(星期一)10:20-11:20
报告地点：尚贤楼706
主持人：徐玮玮副教授
报告内容简介：
In this talk, we propose a new model of low-rank matrix factorization that incorporates manifold regularization to the matrix factorization. Superior to the graph-regularized nonnegative matrix factorization, this new regularization model has globally optimal and closed form solutions. A direct algorithm (for data with small number of points) and an alternate iterative algorithm with inexact inner iteration (for large scale data) are proposed to solve the new model. A convergence analysis establishes the global convergence of the iterative algorithm. Efficiency and precision of the algorithm are demonstrated numerically through applications to six real-world data sets on clustering and classification. Performance comparison with existing algorithms shows the effectiveness of the proposed method for low-rank factorization in general.
报告人简介：
张振跃，浙江大学数学系二级教授、博士生导师，浙江大学信息数学研究所所长，获复旦大学理学博士学位, 主要从事数值代数、科学计算、大数据分析等研究领域模型与算法的理论分析与计算。2013年获浙江大学心平教学杰出贡献奖，2014年获国务院政府津贴。先后在国际著名学术刊物和国际会议上发表80余篇研究论文，是第一位在国际应用数学最顶尖的刊物《SIAM Review》发表研究论文的中国大陆学者。研究成果被G. Golub院士和VanLoan教授的专著《Matrix Computations》（第三版）、B.N.Parlett教授的专著《The Symmetric Eigenvalue Problem》和G.Stewart教授与孙继广教授的专著《Matrix Perturbation Theory 》引用。其关于非线性降维算法的工作，多年来一直列SIAM J.Scientific Computing 10年高引用率第4、5位。在国际机器学习领域中被广泛应用的Scikit-Learn中收录的8个关于流形学习的经典算法中，有两个属于其及其合作者。张振跃教授现任《计算数学》和《高校计算数学》编委。
欢迎广大师生积极参加！
数学与统计学院
2019年6月20日