报告人：吴中明 副教授（南京信息工程大学）
报告时间：2025年6月3日 周二 上午10:00---11:00
报告地点：腾讯会议：341-900-725 （会议密码 202563）
报告摘要：知识驱动的传统优化方法具有强解释性和泛化性，而数据驱动的深度学习方法则具备强大的特征学习能力，两者的结合成为解决问题的有效手段。本报告将简单介绍知识-数据联合驱动非凸学习优化问题的邻近分裂算法和应用。主要探讨如何通过探索深度学习网络的数学优化性质，结合传统优化的加速技巧和学习优化方法，设计求解非凸学习优化问题的快速邻近分裂算法。同时，基于网络性质和非凸优化理论，分析算法的收敛性。此外，将新算法应用于解决图像重建和相位复原等实际应用问题，验证算法的有效性。
报告人简介：
吴中明，南京信息工程大学副教授、硕士生导师，香港中文大学博士后，新加坡国立大学访问学者。入选南京信息工程大学首届“青年科技之星”，江苏省“双创博士”，人社部“香江学者计划”。研究方向为最优化理论、算法及其应用。在SIAM Journal on Imaging Sciences、IEEE Transactions on Signal Processing、Mathematics of Computation等权威期刊发表学术论文40余篇。授权国家发明专利3项。主持省部级以上项目8项，包括国家自然科学基金面上、青年项目，江苏省自然科学基金面上项目，教育部人文社科基金青年项目，江苏省科技智库计划青年项目，中国博士后面上资助项目等。担任《工业工程》期刊青年编委，中国运筹学会宣传工作委员执行委员，中国运筹学会数学规划分会青年理事，江苏省运筹学会理事、副秘书长。
