7月21-29日，研究生院、新2会员管理端10888举办了“机器学习与数值代数”研究生暑期学校，邀请了5位国内外专家、100余名国内外青年教师、博士后、研究生参加。

22日上午，新2会员管理端10888副院长张娟主持暑期学校开幕式，学校副校长喻祖国、研究生院院长胡强、新2会员管理端10888院长杨银出席并致辞，浙江大学张振跃、复旦大学高卫国、苏州大学张雷洪、复旦大学李颖洲、新加坡国立大学储德林、新2会员管理端10888副院长易年余、刘建州教授出席暑期学校。

本次暑期学校主要围绕机器学习与数值代数领域展开，即有专家授课、邀请报告，也有小组研讨和汇报，形式多样。

在“非线性降维与流形学习的理论与方法”课程中，张振跃教授介绍了高维数据降维表示是数据分析中的关键问题之一，从数值代数的角度，理解、分析和处理复杂高维数据流形的有效降维。

（张振跃 教授 授课）

在“从稀疏矩阵计算到矩阵稀疏计算”课程中，高卫国教授介绍了数值模拟是科学研究的重要手段，结合其在计算物质科学和数据科学应用研究中遇到的数值线性代数问题，介绍矩阵乘法、正交分解、混合精度计算等稠密矩阵算法等稀疏矩阵计算算法。

（高卫国 教授 授课）

储德林教授在线上报告中提出了一个称为ARkNLS(交替秩k非负约束最小二乘)的框架来计算NMF。通过秩为3的NLS问题的封闭形式的解决方案引出了一个新的NMF算法。还提出了一种在NMF计算环境下有效克服秩3 NLS中潜在奇异性问题的新策略。

（储德林 教授 线上报告）

李颖洲研究员基于Zolotarev问题，利用有理函数分离证明了轮廓积分的梯形求积的渐近最优性。基于复合规则，提出了两个内点本征解算器。在合成的和实际的稀疏矩阵束上验证了所提出的特征求解器的效率和稳定性。

（李颖洲 研究员 专场报告）

张娟教授在报告中提出了一种数据驱动的预测最优迭代参数的方法：多任务核学习高斯回归预测(GPR)方法。发展了具有最佳参数的广义交替方向隐式(GADI)框架，成功地将其整合为求解线性系统的代数多重网格方法中的平滑器。

（张娟 教授 专场报告）

有理极大极小逼近是逼近论中的一个经典课题，计算复平面中的离散有理极大极小近似是具有挑战性的。张雷洪教授在这次报告中，从对偶的角度提供一个关于有理极大极小近似的新观点：新的理论将被提出，一个有效的Lawson迭代将被提出来解决有理极大极小近似。

（张雷洪 教授 专场报告）

在分组研讨环节中，各小组就傅里叶全息术中乘子的分批交替方向法、库普曼算子和动态模式分解简介、分数离散时间统一系统参数估计的神经网络方法、基于高斯过程回归的多步含参数幂迭代方法等内容做小组汇报，专家们为学员们提供了宝贵建议。

（学员小组汇报）

29日暑期学校正式闭幕，4位学员代表纷纷表示在此次暑期学校中收获颇多、受益匪浅，启发了大家日后的科研新思路；刘建州教授表示了对5位受邀专家的感谢。此次组织经验，推动了我院“机器学习与数值代数”方向的发展。

（暑期学校 合影）