报告时间：2026年9月16日 13:30开始

报 告 人：孟楠（宁波诺丁汉大学）

报告地点：9-113

报告题目：Compressed Newton-Direction-Based Thresholding Methods for Sparse Optimization Problems

报告摘要：稀疏优化问题广泛存在于压缩感知、信号处理和机器学习等领域。阈值类方法是求解此类问题的重要方法，其中搜索方向的选择直接影响算法的计算效率和恢复性能。本研究提出一种压缩牛顿方向，通过将牛顿步限制在低维子空间中计算，并结合其余梯度分量的信息，在保留牛顿类方法优势的同时降低计算成本。在此基础上，我们分别结合硬阈值和最优阈值策略，构建相应的算法，并在限制等距性质（RIP）条件下建立全局收敛性理论。基于合成数据和真实信号的数值实验表明，所提出的方法在稀疏恢复成功率和解的精度方面具有良好的竞争性能。

报告人简介：孟楠博士现任宁波诺丁汉大学应用数学助理教授。她于英国伯明翰大学获得博士学位，博士期间主要从事面向稀疏信号重构的牛顿型及部分梯度阈值算法研究。她的研究方向主要包括稀疏优化、压缩感知和稀疏信号恢复算法等。相关研究成果发表于 IEEE Transactions on Signal Processing、Journal of Global Optimization、Journal of Computational and Applied Mathematics 等期刊。目前主持国家自然科学基金青年科学基金项目，主要研究阈值型稀疏优化算法中的稀疏搜索方向及其应用。