报告题目：Decentralized ADMM for Factorization-based Low-rank Matrix Estimation
报 告 人： 练恒 教授 香港城市大学
报告时间：2025年7月2日下午 14:00-15:00
报告地点：腾讯会议 ID：673-295-779
或点击链接直接加入会议：https://meeting.tencent.com/dm/7AYEVsqsQYWj
校内联系人：赵世舜 zhaoss@jlu.edu.cn
报告摘要：
We consider the problem of recovering a low-rank matrix in a distributed setting, based on a convex loss function and non-convex matrix factorization. We use a linearized and decentralized alternating direction method of multipliers (ADMM) algorithm to compute the consensus solution. We establish local linear convergence (up to the approximation error when the unstrained solution is not exactly low-rank) of the method despite the optimization problem is non-convex due to the factorization. Numerical examples are presented to illustrate the performance.
报告人简介：
练恒，现任香港城市大学数学系教授，于2000年在中国科学技术大学获得数学和计算机学士学位，2007年在美国布朗大学获得计算机硕士，经济学硕士和应用数学博士学位。先后在新加坡南洋理工大学，澳大利亚新南威尔士大学，和香港城市大学工作。在高水平国际期刊上发表学术论文30多篇，包括《Annals of Statistics》《Journal of the Royal Statistical Society，Series B》、《Journal of the American Statistical Association》《Journal of Machine Learning Research》《IEEE Transactions on Pattern Analysis and Machine Intelligence》. 研究方向包括高维数据分析，函数数据分析，机器学习等。
