报告题目：基于黎曼流形优化的深度偏最小二乘回归模型
报 告 人：陈浩然博士
报告时间：2019年9月27日 17:00-18:00
报告地点：科学校区计算机楼413室
欢迎广大师生踊跃参加！
科技处
计算机与通信工程学院
2019年9月23日
附：陈浩然博士简介
陈浩然，男，讲师，博士，在2007年7月和2010年7月于郑州大学数学系分别获得学士学位和硕士学位。2019年1月在北京工业大学信息学部获得工学博士学位。博士期间研究方向为：模式识别、机器学习和黎曼流形优化。博士期间研究成果为：
1.Haoran Chen, Yanfeng Sun, Junbin Gao, Yongli Hu and Baocai Yin. Solving Partial Least Squares Regressionvia Manifold Optimization Approaches[J].IEEE Transactions on Neural Networks and Learning Systems.2018, 30(2), 588-600
2.Haoran Chen, Yanfeng Sun, Junbin Gao, Yongli Hu and Baocai Yin. Fast Optimization Algorithm on Riemannian Manifolds and Its Application in Low-Rank Learning[J]. Neurocomputing. 2018, 291:59-70.
3.Haoran Chen, Yanfeng Sun, Junbin Gao, Yongli Hu and Fujiao Ju. L1-2DPCA Revisit via Optimization on Product Manifolds[C]. In Proceedings of International Conference on Digital Image Computing: Techniques and Applications, Sydney, Australian, 2017, 413-419. 4.Haoran Chen, Jinghua LI, Junbin Gao, Yanfeng Sun, Yongli Hu and Baocai Yin. Maximally Correlated Principle Component Analysis Based on Deep Parameterization Learning[J]. ACM Transactions on Knowledge Discovery from Data (TKDD) (已接受) 5.Boyue Wang, Yongli Hu, Junbin Gao, Yanfeng Sun, Haoran Chen and Baocai Yin. Locality Preserving Projections for Grassmann manifolds[C]. International Joint Conference on Artificial Intelligence (IJCAI), 2017（CCF A类会议） 现实中的数据中常常呈现维度高、噪声大、非线性结构突出的特点，其中非线性结构极大的影响了数据内在结构的复杂性。因此，对非线性结构数据的分析，处理问题得到广泛的关注。本项目面向非线性结构数据的分类应用，针对数据的非线性结构，采用深度参数化的方法学习迁移函数，把数据的非线性结构映射为线性结构，并研究黎曼流形框架下的偏最小二乘回归模型，同时，黎曼流形框架的引入，可以利用黎曼流形的几何结构去除模型对参数的约束，获得更精确的数值解。更进一步，把深度参数化学习的模型和偏最小二乘回归模型统一到一个模型中，以使学习的数据表示特征更适合于分类应用。项目将重点研究深度参数化的方法学习不仅能够展开数据的非线性结构，还能解决数据之间的非线性回归问题，实现非线性结构数据的分类应用。本项目的研究将突破传统的非线性数据的特征提取方法，为非线性结构数据的分类问题提供理论支撑和新的解决方案。报告摘要