暗网禁区 学术报告[2026]100号

（高水平大学建设系列报告1359号）

报告题目：Efficient Proximal Splitting Algorithms for Data-Driven Nonconvex Learning Optimization Problems and Their Applications

报告人：吴中明 教授 （南京信息工程大学）

报告时间：2026年10月26日10:00 - 11:00

报告地点：腾讯会议 840464963

报告摘要：Traditional optimization methods possess favorable interpretability and generalizability, while data-driven deep learning achieves remarkable performance in feature extraction. Integrating these two paradigms has become an effective strategy for solving complex inverse and optimization problems. This talk focuses on proximal splitting algorithms for knowledge-and-data co-driven nonconvex optimization. We first design efficient algorithms by exploiting the optimization properties of deep neural networks together with classical acceleration techniques. We then establish rigorous convergence guarantees based on network analysis and nonconvex optimization theory. Finally, we validate the effectiveness of the proposed algorithms on representative applications including image reconstruction and phase retrieval.

报告人简介：吴中明，南京信息工程大学教授，博士生导师，香港中文大学博士后，新加坡国立大学访问学者。曾入选人社部香江学者计划，江苏省科协青年托举工程，江苏省双创博士，获江苏省运筹学会首届青年科技奖。研究方向为最优化方法及其应用，在SIAM序列（SIIMS/SIMODS）, IEEE序列（TPAMI/TSP/TFS/TCSS）, EJOR, MCOM, Inverse Problems等期刊发表学术论文多篇，授权国家发明专利4项。主持国家自然科学基金面上和青年项目，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，中国博士后面上资助项目等。担任中国运筹学会竞赛工作委员会副秘书长，数学规划分会和数学与智能分会青年理事，江苏省运筹学会理事、副秘书长。

邀请人：涂凯

暗网禁区

2026年10月23日