叶海山

职 称：副教授（长聘）
研究方向：机器学习与大数据，及其与管理学交叉
教育背景
2014.09-2018.06 上海交通大学 计算机科学与技术/博士 导师：邓小铁，张志华
工作经历
2021.01 至今 西安交通大学管理学院 助理教授/副教授
2018.07-2021.01 香港科技大学 博士后 导师：张潼
科研项目
主持科研项目：国家自然科学基金青年项目、陕西省高层次人才引进计划（青年项目）、
中国博士后科学基金第 70 批面上资助二等。
参与科研项目：国家重点研发计划等

《机器学习与大数据分析》
《最优化理论》
学术论文
在 JMLR、MP、TNNLS、PR 优化和人工智能杂志及 NuerIPS、ICML、ICLR、CVPR、AAAI、AISTAST 等人工智能顶级会议
上发表多篇论文，担任 JMLR、TPAMI、TSP、SIAM Opt、SIAM Data 杂志及 NuerIPS、ICML、ICLR 审稿人。代表性工作
有六 篇，5 篇发 表在 Journal of Machine Learning Research (JMLR，机 器学习 顶刊 )，一 篇发表 在 Mathematical
Programming(MP，优化顶刊)。主要的研究内容包括随机牛顿法、拟牛顿法、去中心分布式算法的研究。
1. 随机牛顿法（两篇论文）
Haishan Ye, Luo Luo, Zhihua Zhang；Approximate Newton methods；JMLR
Haishan Ye, Luo Luo, Zhihua Zhang；Nesterov's Aceleration for Approximate Newton；JMLR
第一项工作给出了当前最优的随机牛顿方法的收敛性分析，解决了之前理论无法精确刻画随机牛顿法收敛性质的困
境，给出了各因素对随机牛顿法的收敛率影响的精确刻画。第二项工作第一次将加速技术引入到二阶优化算法中，该
方法进一步降低随机牛顿法单次迭代的计算量，同时可以保证算法仍然具有快速收敛的性质。该工作将牛顿法的适用
范围扩展到处理在高维问题中。
2. 拟牛顿法（两篇论文）
Dachao Lin, Haishan Ye*, Zhihua Zhang；Explicit convergence rates of greedy and random quasi-Newton methods；JMLR
Haishan Ye, Dachao Lin, Xiangyu Chang, Zhihua Zhang；Towards explicit superlinear convergence rate for SR1; MP
我们的工作主要集中在拟牛顿法这一经典方法的显式收敛率问题上，该问题是运筹优化领域的一个长期开放性问题。
我们的工作解决了部分重要的问题，给出了贪婪和随机拟牛顿法的当前最优显式超线性收敛速率，解决了优化领域著
名学者 Nesterov（2023 世界顶尖科学家协会奖、2009 冯诺依曼奖获得者）留下的开放性问题。第二项工作改进了传
统的 SR1 算法，经过简单的改进，改进后 SR1 算法也可以得到超线性收敛，并且我们的工作也可以给出显式的超线性
收敛率。
3. 去中心分布式算法（两篇论文）
Haishan Ye, Tong Zhang；DeEPCA: Decentralized exact PCA with linear convergence rate；JMLR
Haishan Ye, Luo Luo, Ziang Zhou, Tong Zhang; Multi-Consensus Decentralized Accelerated Gradient Descent； JMLR
第一项工作给出了第一个实用的去中心分布式 PCA 算法，该方法一改以往算法每轮迭代需要逐步增加通信次数的弱
点，该算法每次迭代只需要少量固定的通信次数。因此大大提升了算法的通讯效率，并且克服了之前算法调参困难的
问题。第二项工作提出了首个和全局条件数相关的近似最优去中心算法，大大提升了算法的收敛速率，并且解决了机
器学习著名学者 Francis Bach 留下的开放性问题。