6月24日上午，应数学与统计学院邀请，浙江大学数学科学学院二级教授博士生导师张振跃教授在我校尚贤楼808会议室作了题为“Low Rank Matrix Approximation with Manifold Regularization”的学术报告，数学与统计学院统计和数值计算等相关方向以及其他学院的师生参加了报告会，报告由徐玮玮副教授主持。

报告中，张振跃教授首先介绍了一种新的低阶矩阵分解模型，将流形正则化与矩阵分解相结合，且这种新的正则化模型具有全局最优解和封闭解。然后提出了一种求解新模型的直接算法（对于点数较少的数据）和一种内迭代不精确的交替迭代算法（对于大规模数据）。最后通过对机器学习，图像处理等领域中6个实际数据集的聚类和分类，用数值方法证明了该算法的有效性和精度。

报告结束后，张振跃教授就与会师生提出的问题作了非常详细的解答，并与学院师生进行了交流讨论。

报告人简介

张振跃，浙江大学数学科学学院二级教授、博士生导师，浙江大学信息数学研究所所长。2013年获浙江大学心平教学杰出贡献奖，2014年获国务院政府津贴。1989年7月获复旦大学理学博士学位后，进入浙江大学数学系任教。主要从事数值代数、科学计算、大数据分析等研究领域模型与算法的理论分析与计算。先后在国际著名学术刊物和国际会议上发表80余篇研究论文，是第一位在国际应用数学最顶尖的刊物《SIAM Review》发表研究论文的中国大陆学者。研究成果被G. Golub院士和VanLoan教授的专著《Matrix Computations》（第三版）、B.N.Parlett教授的专著《The Symmetric Eigenvalue Problem》和G.Stewart教授与孙继广教授的专著《Matrix Perturbation Theory 》引用。其关于非线性降维算法的工作，多年来一直列SIAM  J.Scientific Computing 10年高引用率第4、5位。在国际机器学习领域中被广泛应用的Scikit-Learn中收录的8个关于流形学习的经典算法中，有两个属于其及其合作者。张振跃教授现任《计算数学》和《高校计算数学》编委。