光華講壇——社會(huì)名流與企業(yè)家論壇第6588期
主題：Trainable Subspaces for Tensor Completion可訓(xùn)練子空間的張量補(bǔ)全
主講人：電子科技大學(xué) 劉翼鵬教授
主持人：計(jì)算機(jī)與人工智能學(xué)院 蔣太翔教授
時(shí)間：10月9日 14:00
會(huì)議地點(diǎn)：柳林校區(qū)經(jīng)世樓D座新財(cái)經(jīng)綜合實(shí)驗(yàn)室大會(huì)議室
主辦單位：計(jì)算機(jī)與人工智能學(xué)院 新財(cái)經(jīng)綜合實(shí)驗(yàn)室 科研處
主講人簡(jiǎn)介：
劉翼鵬是電子科技大學(xué)信息與通信工程學(xué)院教授。他曾在魯汶大學(xué)（比利時(shí)）、清華大學(xué)、臺(tái)灣清華大學(xué)、華為技術(shù)、西南電子技術(shù)研究所訪(fǎng)問(wèn)和工作。他主要從事張量信號(hào)處理研究，主持國(guó)家自然科學(xué)基金項(xiàng)目2項(xiàng)、國(guó)家級(jí)國(guó)防基金1項(xiàng)；發(fā)表論文100余篇，撰寫(xiě)英文專(zhuān)著2本和編著1本，谷歌學(xué)術(shù)引用2300余次。他的工作獲得IEEE MMSP 2022最佳演示論文獎(jiǎng)、首屆川渝科技學(xué)術(shù)大會(huì)優(yōu)秀論文一等獎(jiǎng)，入選斯坦福大學(xué)發(fā)布的2022年全球前2%頂尖科學(xué)家名單。2019年至今擔(dān)任《IEEE Signal Processing Letters》編委，《Signal Processing: Image Communication》首席客座編委，《系統(tǒng)工程與電子技術(shù)》（英文版）客座編委；在4個(gè)國(guó)際頂會(huì)/IEEE旗艦會(huì)議做3小時(shí)講習(xí)報(bào)告（tutorials at IJCAI 2022, ICME 2022, ICIP 2020, SSCI 2020）；2021年獲得IEEE廣播技術(shù)協(xié)會(huì)杰出服務(wù)獎(jiǎng)；受邀擔(dān)任2022-2023年度亞太信號(hào)與信息處理年會(huì)的杰出講座人。他是IEEE高級(jí)會(huì)員、中國(guó)電子學(xué)會(huì)高級(jí)會(huì)員、中國(guó)圖象圖形學(xué)學(xué)會(huì)高級(jí)會(huì)員、中國(guó)圖象圖形學(xué)學(xué)會(huì)青年工作委員會(huì)委員、中國(guó)計(jì)算機(jī)學(xué)會(huì)多媒體技術(shù)專(zhuān)委會(huì)委員。
內(nèi)容提要：
Coupled tensor decomposition is a powerful technique that allows us to extract both consistent and specific features from multi-modal data. This talk will present a partly coupled tensor decomposition model. Specifically, the tensor is assumed to be composed of two low-rank components where one part of the tensor shares the subspace information with auxiliary data and the other is outside the shared space. The coupled subspaces are trainable by dictionary learning from auxiliary data. We apply this decomposition to tensor completion, and make a quantitative analysis to illustrate the effect of subspace information on sample complexity. Experiments on simulated data are conducted to validate the theoretical analysis on the impact of subspace information. Experiments in two real-world data applications including color image and multispectral image recovery show that the proposed method outperforms state-of-the-art ones in terms of prediction accuracy and computational efficiency.
耦合張量分解是一種強(qiáng)大的技術(shù)，它允許我們從多模態(tài)數(shù)據(jù)中提取一致和特定的特征。本次演講將介紹一個(gè)部分耦合張量分解模型。具體來(lái)說(shuō)，假設(shè)張量由兩個(gè)低秩分量組成，其中一部分與輔助數(shù)據(jù)共享子空間信息，另一部分位于共享空間之外。通過(guò)輔助數(shù)據(jù)的字典學(xué)習(xí)，可以對(duì)耦合子空間進(jìn)行訓(xùn)練。我們將這種分解應(yīng)用到張量補(bǔ)全中，并定量分析了子空間信息對(duì)樣本復(fù)雜度的影響。在模擬數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)，驗(yàn)證了理論分析中子空間信息的影響。在彩色圖像和多光譜圖像恢復(fù)兩個(gè)真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明，所提方法在預(yù)測(cè)精度和計(jì)算效率方面優(yōu)于現(xiàn)有方法。
