报告人：王健
报告地点：数学与统计学院617室
报告时间：2019年04月29日星期一10:00-11:00
邀请人：
报告摘要：
随着图像处理、信息检索及生物信息学等大规模高维问题的持续增长，数据体积、维度的多样性和复杂性不断增加，对已有的特征选择算法和机器学习模型提出了严峻的挑战。以深度学习技术为代表的学习模型，通过增加处理器个数和提升处理器性能可在很大程度上解决海量大数据问题并有很好的工业应用；但在解决超高维度变量和数据可靠性问题仍存在很大困难。可解释性和简约模型结构是神经网络模型设计的两个重要研究主题，Group Lasso正则子的引入可以高效达到冗余特征删减和隐层节点修剪的目标。通过交叉验证的方法选择合理正则化参数及选择合适光滑函数逼近不可微Group Lasso正则子，在实现精简网络和增强数据可解释性的同时提高网络学习性能。在网络训练过程中加入权值噪音进一步验证了基于光滑Group Lasso正则项的容错神经网络模型鲁棒性，从理论严格证明了算法的收敛性。
主讲人简介：
王健，现任中国石油大学（华东）副教授、博士生导师, 毕业于大连理工大学计算数学专业，多次在美国路易斯维尔大学电子与计算机工程系进行访问。现担任中国石油大学（华东）“跨媒体大数据”联合实验室主任，山东省数学会理事，神经计算国际顶级期刊IEEE Transactions on Neural Networks and learning Systems（SCI一区，IF：7.982）副主编, 以及Journal of Applied Computer Science Methods副主编。主要致力于嵌入式特征选择模型、非凸优化理论、大数据处理、高维统计分析等方向研究，在神经网络学习模型、分数阶复值最优化理论、神经网络结构稀疏性及大数据智能学习算法在石油工程等领域中的研究形成了特色和优势，发表学术论文40余篇（其中SCI一区8篇、SCI二区11篇）。2012、2013连续两年获辽宁省自然科学学术成果奖二等奖，排名第一；主持完成中国博士后科学基金面上项目，山东省自然科学基金青年项目、面上项目，教育部高等学校博士学科点专项科研基金和国家自然科学基金青年项目各一项。于2014年6月入选青岛市 “智岛计划”紧缺人才项目； 2014年10月入选中国石油大学（华东）青年教师人才建设工程“拔尖人才工程”项目。2017年担任国际神经信息处理会议出版主席（广州）；2016和2018年担任国际计算智能最新进展学术交流会大会程序委员会主席（青岛）。
学校主页