自表达子空间聚类：从浅层模型到深度模型

报告题目：自表达子空间聚类：从浅层模型到深度模型

报告人：李春光 北京邮电大学副教授、博导

报告时间：2026年7月17日10:40-12:40

报告地点：伟德源自英国始于1946秀山校区先进技术研究中心901

报告对象：伟德国际bevictor1946及相关师生

主办单位：伟德国际bevictor1946

报告人简介：北京邮电大学人工智能学院副教授、博导。2011年1月入选微软亚洲研究院(MSRA)“铸星计划”，2011年7月至2012年4月在MSRA视觉计算组访问研究；2012年12月至2013年11月和2019年12月至2020年2月两次赴美国约翰霍普金斯大学访学。研究兴趣为高维数据中低维结构分析与学习，主持完成国家自然科学基金项目2项，目前在研国家自然科学基金面上项目1项；累计发表研究论文70余篇，完成译著1部，谷歌学术引用3600余次；指导研究生获2019年IEEE视觉通信与图像处理大会最佳学生论文奖，曾或将担任2021/2026年IEEE CVPR领域主席，获评机械工业出版社华章分社“2024年度译者”；现为中国计算机学会人工智能专委会执委、计算机视觉专委会执委，中国图象图形学会机器视觉专委会执委，IEEE资深会员。

报告内容：在模式识别、计算机视觉、遥感观测和生物信息学等诸多领域中，高维观测数据中的语义类别(或模式)往往对应着低维结构。这种低维结构一般可以利用一组低维子空间来近似。因此，把分布在低维结构上的高维数据按其所关联的未知低维子空间来划分的任务，被称为子空间聚类。在过去十余年中，自表达(Self-Expressive)模型逐渐被证明是学习高维空间中未知低维子空间结构的有效工具，基于自表达模型的子空间聚类被验证是解决高维数据聚类问题的有效途径。本报告将首先介绍子空间聚类的基本概念、综述子空间聚类的研究进展，然后介绍自表达模型及其正确性理论保证和可扩展求解算法，并讨论其与注意力机制的内在联系等。在此基础上，本报告将给出一个原则化的自表达深度子空间聚类框架；理论分析表明，在温和条件下这一框架能够避免灾难性特征坍缩，而且所学习到的表征其分布趋于一组正交子空间。此外，本报告还将介绍一种基于堆叠自表达模型而构造的“白盒”深度架构，用于对高维数据中低维非线性流形进行渐进线性化。