报告地点：腾讯会议 431-472-129
邀请人：孙海琳教授
报告摘要：This paper considers a class of nonsmooth nonconvex-nonconcave min-max problems in machine learning and games. We first provide sufficient conditions for the existence of global minimax points and local minimax points. Next, we establish the first-order and second-order optimality conditions for local minimax points by using directional derivatives. These conditions reduce to smooth min-max problems with Frechet derivatives. We apply our theoretical results to generative adversarial networks (GANs) in which two neural networks contest with each other in a game. Examples are used to illustrate applications of the new theory for training GANs. Joint work with Jie Jiang.
报告人简介：陈小君，香港理工大学应用数学系讲座教授。2013-2019 年担任香港理工大学应用数学系主任，现任香港理工大学大数据分析中心实验室主任，中科院数学与系统科学研究院-香港理工大学应用数学联合实验室主任。 研究领域包括随机均衡问题、变分不等式、非光滑非凸优 化、大数据分析中的稀疏优化。担任包括 SIAM Journal on Numerical Analysis, SIAM Journal on Optimization 等国际著名刊物的编委，至 今已在国际顶尖学术期刊上发表论文 80 余篇。她曾多次在国际学术会议上作邀请报告，如曾于 2012年在国际数学规划会议上作特邀报告。2021年当选 SIAM Fellow，2022年当选 AMS Fellow。
