报告人：包承龙（清华大学）

时  间：2023年4月22日上午10:00-11:30

地  点：海韵园数理大楼天元会议室686

内容摘要:

Anderson mixing (AM) is a useful method that can accelerate fixed-point iterations by exploring the information from historical iterations. Despite its numerical success in various applications, the memory requirement in AM remains a bottleneck when solving large-scale optimization problems in a resource-limited machine. In this talk, we will discuss our work on short-term recurrent AM method that significantly reduce the computational burden. Various experiments on network training and will validate the effectiveness of the proposed method.

个人简介：

包承龙，清华大学丘成桐数学科学中心，助理教授。 2009 年本科毕业于中山大学数学系，2014 年博士毕业于新加坡国立大学数学系， 2015 年至 2018 年在新加坡国立大学数学系进行博士后研究。 其研究兴趣主要在数学图像处理的模型与算法方面，已在 IEEE TPAMI, SIIMS, SISC, ACHA等期刊和 CVPR, ICML, NeurIPS, ICLR 等会议上共计发表学术论文 30余篇。

联系人：白正简