报告地点：行健楼学术活动室665
邀请人：孙海琳教授
摘要：This talk considers a class of nonsmooth nonconvex-nonconcave minmax 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-ma problems with Fr\'echet derivatives. We apply our theoretical results to generative adversarial networks (GANs) and propose a quasi-Newton subspace trust region method for min-max problems. Examples of OCT image segementation are used to illustrate the efficiency of the new theory and method.
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。陈教授是二十多个分别获澳大利亚研究理事会、日本学术振兴会及香港研究资助局拨款资助的科研项目的负责人。担任Area Editor of Journal of Optimization Theory and Applications, 并担任包括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90余篇. 2021当选美国工业与应用数学学会会士、2022年当选美国数学学会会士，并担任包括SIAM Fellow(2022-2023), SIAM and MOS Lagrange Prize(2021)等国际学会的评选委员。
