个人简介

侯良哨，中山大学理学院预聘副教授、博士生导师。主要研究矩阵分解、约束优化与数值线性代数，关注高效算法的设计、收敛性分析及其在机器学习和数据分析中的应用。代表性工作包括正交与对称非负矩阵分解算法、Fast-HALS 收敛性分析，以及线性约束凸规划的参数化中心路径内点方法。相关成果发表于 SIAM Journal on Matrix Analysis and Applications、IEEE Transactions on Pattern Analysis and Machine Intelligence、IEEE Transactions on Knowledge and Data Engineering、Journal of Scientific Computing 等期刊。

2020 年获香港浸会大学应用数学博士学位，随后在该校从事博士后研究，并担任研究助理教授及研究员；2026 年 1 月加入中山大学。目前主持国家自然科学基金青年项目 1 项，参与面上项目 1 项。

研究领域

非负矩阵分解与数据表示：研究对称及正交非负矩阵分解，发展层次交替最小二乘与块坐标下降方法，关注聚类、降维等应用。

正交约束与流形优化：研究 Stiefel 流形上的优化问题、非线性特征向量方法及其收敛性，探索迹商模型的算法设计。

分式与非光滑优化：研究结构化分式规划、近端与外梯度方法，以及凸规划内点算法的收敛性和复杂性。

数值线性代数：研究奇异 Sylvester 与 Lyapunov 方程、算子零空间计算及相关数值算法。

教育背景

2017.08 – 2020.07 香港浸会大学，数学系，博士

2014.09 – 2017.01 上海财经大学，数学科学学院，硕士

2010.09 – 2014.07 浙江工业大学，理学院，数学学院，学士

工作经历

2026.01 – 至今 中山大学，理学院，副教授

2025.08 – 2025.12 香港浸会大学，数学系，研究员

2022.08 – 2025.08 香港浸会大学，数学系，研究助理教授

2020.08 – 2022.08 香港浸会大学，数学系，博士后

代表性成果

（#表示共同第一作者，*表示通讯作者）

[1] L. Hou, D. Chu*, and L.-Z. Liao.
A fast block coordinate descent method for orthogonal nonnegative matrix factorization. 
SIAM Journal on Matrix Analysis and Applications, 47(2):876-907, 2026.

[2] L. Hou, D. Chu*, and L.-Z. Liao.
A progressive hierarchical alternating least squares method for symmetric nonnegative matrix factorization.
IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(5): 5355–5369, 2023.

[3] L. Hou, D. Chu*, and L.-Z. Liao.
Convergence of a fast hierarchical alternating least squares algorithm for nonnegative matrix factorization.
IEEE Transactions on Knowledge and Data Engineering, 36(1): 77–89, 2024.

[4] L. Hou, X. Qian, L.-Z. Liao*, and J. Sun.
An interior-point parameterized central path following algorithm for linearly constrained convex programming.
Journal of Scientific Computing, 90(3): 1–31, 2022.

[5] J. Hao, H. He*, and L. Hou.
An implementable proximal extragradient method for structured fractional programming.
Journal of Optimization Theory and Applications, 207(2): 1–33, 2025.

[6] L. Hou, J. Zhou*, and E. K.-W. Chu.
Inverse iteration for Sylvester operators.
Journal of Computational and Applied Mathematics, 2025.
 

欢迎有志于数学与算法研究的硕士、博士申请者

如果你希望理解算法为什么有效，喜欢推导数学结果，也愿意通过编程检验想法，欢迎了解我的研究。相关问题连接优化理论、矩阵计算与机器学习，既包含数学分析，也包含算法设计和数值实验。可以从复现一个矩阵分解算法开始，逐步探索聚类效果、计算效率和收敛性质之间的关系。数学、统计或计算机背景都可以找到相应的切入点。