报告题目：Non-linear subspace clustering: from kernel methods to deep learning
时间：12月25日（周一）下午15:30~16:30，信息学院大楼D529
摘要：
In the first part of my talk, I’ll present a kernel subspace clustering method that can handle non-linear models. While an arbitrary kernel can non-linearly map data into high-dimensional Hilbert feature space, the data in the resulting feature space are very unlikely to have the desired subspace structures. By contrast, we propose to learn a low-rank kernel mapping, with which the mapped data in feature space are not only low-rank but also self-expressive, such that the low-dimensional subspace structures are present and manifested in the high-dimensional feature space.
In the second part, I’ll present a novel deep neural network architecture for unsupervised subspace clustering. This architecture is built upon deep auto-encoders, which non-linearly map the input data into a latent space. The key idea is to introduce a novel self-expressive layer between the encoder and the decoder to mimic the ''self-expressiveness'' property that has proven effective in traditional subspace clustering. Being differentiable, the new self-expressive layer provides a simple but effective way to learn pairwise affinities between all data points through a standard back-propagation procedure. Being nonlinear, the neural-network based method is able to cluster data points having complex (often nonlinear) structures. We further propose pre-training and fine-tuning strategies that let us effectively learn the parameters of our subspace clustering networks. Our experiments show that the proposed method significantly outperforms the state-of-the-art unsupervised subspace clustering methods.

讲者介绍：
嵇盼博士，阿德莱德大学资深研究助理（Senior Research Associate），毕业于澳大利亚国立大学，获计算机博士学位（2016年）；本科就读于浙江大学竺可桢荣誉学院，获工学学士与文学学士双学位（2011年）。主要从事计算机视觉与机器学习学科领域的科学研究工作，研究兴趣包括三位重建，子空间聚类，深度学习等。目前已经在NIPS（一篇）, ICCV（两篇）, CVPR（一篇）, ECCV（一篇）, WACV（一篇）, ICIP（一篇）等国际顶级会议上以第一作者发表论文7篇。其中一篇ICCV录为口头报告（录取率3.3%），一篇CVPR录为亮点报告（录取率9.7%），一篇ICIP评为最佳学生论文（获奖率3/2600+）。