学术报告
【学术报告】Memory-efficient Anderson Mixing Methods and Applications
编辑:魏佳发布时间:2023年04月10日

报告人:包承龙(清华大学)

时  间:2023422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.

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