报告题目：Research on Data Representation Learing Based on Geometric Optimization

报 告 人：慕尼黑工业大学  Martin Kleinsteuber教授

报告人简介：

      Martin Kleinsteuber慕尼黑工业大学教授，著名黎曼几何学家和人工智能专家，列入世界数学家族谱(Mathematics Genealogy)，2006年获SIAM年度最佳论文奖，2008年获得Robert Sauer奖等。主要研究方向为数据表示学习，以及几何优化在机器学习中的应用，在黎曼几何学、人工智能与机器学习等领域发表论文100余篇。Martin Kleinsteuber教授博士毕业于德国维尔茨堡大学（University of Würzburg）数学系，先后在澳大利亚国家信息通信技术研究院（NICTA Ltd.），澳大利亚国立大学，德国维尔茨堡大学，德国慕尼黑工业大学从事科研和任教工作。2010-2014任原德国认知技术系统国家精英中心（国家重点实验室）（CoTeSys） PI, 2013-2015任德国伯恩斯坦计算神经科学中心（BCCN Munich）PI。自2016年，他加入德国著名网络公司Mercateo AG，主管数据处理与信息技术部门，并担任公司首席信息技术官（CIO）。

报告内容：

Optimization problems are the bottleneck in many data analysis and signal processing applications. While convex problems are well understood and standard toolboxes that efficiently provide a solution exist, nonconvex problems often require a case-by-case approach. The non-convexity is often due to constraints on the search space. This lecture aims to provide a general framework together with some concrete tools that allow to design problem speci_c optimization methods. We restrict the discussion to concepts using robust order derivative information in order to maintain scalability to high dimensions.

时  间：2019年8月12日15:00-16:00

地  点：空天院A216会议室

联系人：李元祥（yuanxli@sjtu.edu.cn）