The NPDo approach for optimizing convex compositions of matrix traces

报告题目：The NPDo approach for optimizing convex compositions of matrix traces

报 告 人：李仁仓  教授  The University of Texas at Arlington 

报告时间：2024年6月24日下午3:00-4:00

报告地点：上海财经大学红瓦楼726

报告摘要：The NEPv approach has been increasingly used lately for optimization on the Stiefel manifold arising from machine learning. General speaking, the approach first turns the first order optimality condition,also known as the KKT condition,into a nonlinear eigenvalue problem with eigenvector dependency (NEPv) or a nonlinear polar decomposition problem with orthogonal factor dependency (NPDo) and then solve the nonlinear problem via some variations of the self-consistent-field (SCF) iteration. The difficulty, however, lies in designing a proper SCF iteration so that a maximizer is found at the end. In this talk, we will explain a unifying NPDo framework for optimizing convex compositions of matrix traces.

报告人简介：李仁仓教授1985获厦门大学获学士学位，1988年获中科院硕士学位，1995年获美国加州大学伯克利分校应用数学博士学位。1995年－2006年就职于美国Kentucky大学，先后任助理教授和副教授, 2021年－2022年任香港浸会大学讲座教授 。2006年起，任美国Texas大学Arlington分校教授。曾担任1995年美国橡树林国家实验室Householder研究员，1996年获美国加州大学伯克利分校应用数学的Friedman纪念奖，1999年获美国国自然科学基金会的CAREER奖，多次获得ICCM最佳论文奖, 2019年获INFORMS' SAS Data Mining最佳论文奖。2006年-2012年任SIAM Journal on Matrix Analysis and Applications刊物副主编，现任Numerical Algebra, Control and Optimization主编之一及多个国际杂志的编委。主要研究领域包括浮点计算，数值代数，模型降阶，机器学习和人工智能，电子结构中的特征值计算，以及求解常微分方程数值解的非常规方法。他的世俗方程求解器和代码是矩阵对称特征值问题和奇异值问题求解的核心, 在今天科学计算和数据科学中全天候使用。 

报告邀请人：江渝 教授