报告时间：12月22日星期五下午15:00-16:30
报告地点：腾讯会议996 979 1939
报告摘要：High dimensional data are often intrinsically controlled by a few latent factors and thus reside on a union of low dimensional structures, which can be well approximated by a union of subspaces. In the past decade, self-expressive model has been widely demonstrated theoretically and empirically being an effective means to learn the structure of the subspaces. In talk, I will give a brief review on state-of-the-art self-expressive models, present two methods to enable self-expressive model scalable to large high dimensional dataset, and then describe a novel unsupervised deep learning architecture, which is built upon self-expressiveness, for linearizing the high dimensional data toward the desired union of (linear) subspaces.
报告人简介：李春光, 工学博士, 现为北京邮电大学人工智能学院副教授、博士生导师; 2002年毕业于吉林大学通信工程学院, 获工学学士学位; 2007年12月毕业于北京邮电大学信息工程学院, 获工学博士学位; 2007年12月留校执教。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青年骨干教师出国研修计划资助在美国约翰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"建设师资提升计划引导专项资助在美国约翰霍普金斯大学数据科学数学研究所(MINDS)访问研究。目前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。目前已主持完成国家自然科学基金项目2项, 累计在本领域国内外学术会议和学术期刊上发表相关研究论文60余篇, 谷歌学术引用2700余次, 与所指导的研究生杨涛共同荣获2019年IEEE视觉通信与图像处理大会(VCIP2019)最佳学生论文奖, 曾担任2020年国际模式识别大会(ICPR)和2021年IEEE计算机视觉与模式识别大会(CVPR)领域主席，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)。
（撰稿、一审：侯建，二审：余馥凝，终审：陶铭）
