光华讲坛——社会名流与企业家论坛第6588期

主题：Trainable Subspaces for Tensor Completion可训练子空间的张量补全

主讲人：电子科技大学 刘翼鹏教授

主持人：计算机与人工智能学院 蒋太翔教授

时间：10月9日 14:00

会议地点：柳林校区经世楼D座新财经综合实验室大会议室

主办单位：计算机与人工智能学院 新财经综合实验室 科研处

主讲人简介：

刘翼鹏是电子科技大学信息与通信工程学院教授。他曾在鲁汶大学（比利时）、清华大学、台湾清华大学、华为技术、西南电子技术研究所访问和工作。他主要从事张量信号处理研究，主持国家自然科学基金项目2项、国家级国防基金1项；发表论文100余篇，撰写英文专著2本和编著1本，谷歌学术引用2300余次。他的工作获得IEEE MMSP 2022最佳演示论文奖、首届川渝科技学术大会优秀论文一等奖，入选斯坦福大学发布的2022年全球前2%顶尖科学家名单。2019年至今担任《IEEE Signal Processing Letters》编委，《Signal Processing: Image Communication》首席客座编委，《系统工程与电子技术》（英文版）客座编委；在4个国际顶会/IEEE旗舰会议做3小时讲习报告（tutorials at IJCAI 2022, ICME 2022, ICIP 2020, SSCI 2020）；2021年获得IEEE广播技术协会杰出服务奖；受邀担任2022-2023年度亚太信号与信息处理年会的杰出讲座人。他是IEEE高级会员、中国电子学会高级会员、中国图象图形学学会高级会员、中国图象图形学学会青年工作委员会委员、中国计算机学会多媒体技术专委会委员。

内容提要：

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.

耦合张量分解是一种强大的技术，它允许我们从多模态数据中提取一致和特定的特征。本次演讲将介绍一个部分耦合张量分解模型。具体来说，假设张量由两个低秩分量组成，其中一部分与辅助数据共享子空间信息，另一部分位于共享空间之外。通过辅助数据的字典学习，可以对耦合子空间进行训练。我们将这种分解应用到张量补全中，并定量分析了子空间信息对样本复杂度的影响。在模拟数据上进行实验，验证了理论分析中子空间信息的影响。在彩色图像和多光谱图像恢复两个真实数据上的实验结果表明，所提方法在预测精度和计算效率方面优于现有方法。