Gestructureerde en lage rang optimalisatiealgoritmen

Het doel van de thesis is het ontwikkelen van een nieuw theoretisch en algoritmisch kader voor gestructureerde en lage rang optimalisatieproblemen. Gestructureerde modellen van lage rang zijn alomtegenwoordig in machine learning, signaalverwerking en controle. Deze leiden op natuurlijke wijze tot niet-convexe, niet-gladde maar zeer gestructureerde optimalisatieproblemen. Aan de methodologische zijde is het doel van deze thesis de ontwikkeling van nieuwe, betrouwbare en schaalbare algoritmen met gegarandeerde convergentie-eigenschappen. Het doel aan de theoretische zijde is het studeren van de structuur verbonden aan de modelhypothesen die leiden tot behandelbare problemen in de volgende zin: gegeven een juiste initialisatie, garanderen de algoritmen beschreven in dit proefschrift convergentie naar een globaal minimum, ondanks niet-convexiteit.