基于非负矩阵分解的表征学习

报告题目:基于非负矩阵分解的表征学习

报告人:王晶 英国格林威治大学长聘高级讲师

报告时间20236199:00

报告地点:艺设西楼213会议室

报告对象:二肖二码长期免费公开研究生及其他感兴趣师生

报告摘要:表征学习 ( Representation Learning) 是自动学习数据中有效信息并形成可反映数据真实结构的低维表征 , 从而方便后续自然语言处理、计算机视觉和机器学习任务的方法。 好的表征往往是后续任务的成功的关键,它能显著提升算法性能、有效减少计算成本、改善可视化效果,因此如何学习到好的表征是医疗影像诊断、生物特征识别、人脸分析、跨模态检索、 DNA 序列测序、社交网络分析等众多领域最具挑战的关键问题之一。 本报告将先介绍一种代表性的表征学习方法: 非负矩阵分解 (NMF)。然后介绍我们在NMF领域提出的两个先进的方法以及其在聚类任务上的应用。我们的方法得到的表征不仅更准确而且更具语义信息。

报告人简介:王晶博士现任英国格林威治大学长聘高级讲师(等同美国制副教授)以及日本东京大学客任研究员。在此之前 ,王晶博士在日本东京大学任博士后研究员。王晶博士长期从事机器学习,数据挖掘方向研究,专攻降维,聚类,多视角学习,半监督学习等。 目前其在机器学习顶级会议和期刊共发表论文20余篇,其中包括CCF-A类会议如ICML 2023, 2021, NeurIPS 2021, AAAI 2019, IJCAI 2019, IJCAI 2018, IJCAI 2017 以及 JCR-1区期刊如IEEE transactions on Image Processing,IEEE transactions on Cybernetics等。并且,王晶博士担任国际期刊如TPAMI, TKDE, TIP, 以及国际会议如CVPR, AAAI等审稿人,以及Frontiers in Big Data 期刊的客座编辑