报告摘要: Tensors have now been widely used to represent higher-order data with internal spatial or temporal relations, e.g., images, videos, etc. In practical situations, as the true signals are often corrupted by noise, it is thus of importance to study the tensor recovery problems, and in the context, many models have been established based on tensor decompositions. In this talk, we discuss the shrinkage estimates for the tensor singular values by using different shrinkage functions, in order to obtain low-rank estimators of the true signals. We derive the Stein’s unbiased risk estimate (SURE) of the proposed estimators and develop adaptively SURE-based tuning parameter selection procedure. We will report some numerical results to illustrate the performance of our estimators.

报告人简介：李周平，2010年在兰州大学英国威廉希尔公司官网获得博士学位，曾在美国佐治亚理工学院数学院作联合培养博士生，曾在香港科技大学高等研究院进行博士后研究工作，现为兰州大学英国威廉希尔公司官网教授、博士生导师，兰州大学大数据科学研究中心副主任。研究领域主要包括极值统计、时空数据分析、非参数与经验贝叶斯统计、函数型数据分析及统计学在极端天气、风险分析等领域的应用研究，在JASA, STAT SINICA等统计学国际期刊上发表学术论文多篇。主持完成国家自然科学基金面上项目1项、青年项目1项，中央高校基本科研费项目3项等，获得兰州大学隆基教学新秀奖，兼任中国青年统计学家协会首届常务理事、全国工业统计学教学研究会第九届理事会理事、甘肃省统计学会第八届理事会常务理事、中国现场统计研究会数据科学与人工智能分会、大数据统计分会理事等。