报 告 人：鄂维南 中国科学院院士，美国数学学会、美国工业与应用数学学会、英国物理学会Fellow。北京大数据研究院院长。
报告时间：2021.08.03，16：30-17：30
报告地址：腾讯会议，会议号：423 2979 4552
报告简介：现代机器学习的核心问题是怎样有效地逼近一个高维空间的函数。传统的逼近论方法会导致维数灾难，这是对许多领域来说困惑了我们多年的问题。在这个演讲里，我们将介绍以下几方面的内容。
1. 怎样建立起一个数学理论？这里的问题本身跟传统的数值分析基本一样。不同的是机器学习需要处理的核心问题是维数灾难。所以我们需要建立起一个高维数值分析理论，包括逼近论，先验和后验误差估计，优化理论等。这个理论会帮助我们理解什么样的模型和算法没有维数灾难。
2. 怎样formulate 一个好的机器学习的数学模型？
正确的方法是首先在连续的层面formulate 好的机器学习的模型，然后采用数值分析的想法，对这些连续模型作离散化而得到所需要的机器学习算法。我们发现许多神经网络模型，包括残差网络模型，都可以通过这种途径得到。因为有一个好的连续模型作为背景，这样得到的机器学习模型和算法自然就有比较好的性质。
3. 实际应用中有一些比较奇怪的现象，比方说double descent。怎样解释这些现象？实际应用中人们也没有按照前面所说的套路来做，那为什么其效果也还很好呢？
4. 哪些问题还有待解决？
The heart of modern machine learning is the approximation of high dimensional functions.Traditional approaches, such as approximation by piecewise polynomials, wavelets, orother linear combinations of fixed basis functions, suffer from the curse of dimensionality. We will discuss representations and approximations that overcome this difficulty, as well as gradient flows that can be used to find the optimal approximation. We will see that at the continuous level, machine learning can be formulated as a series of reasonably nice variational and PDE-like problems.
Modern machine learning models/algorithms, such as the random feature and shallow/deep neural network models, can be viewed as special discretizations of such continuous problems.
At the theoretical level, we will present a framework that is suited for analyzing machine learning models and algorithms in high dimension, and present results that are free of the curse of dimensionality.
Finally, we will discuss the fundamental reasons that are responsible for the success of modern machine learning, as well as the subtleties and mysteries that still remain to be understood.
报告人简介：鄂维南，中国科学院院士，美国数学学会、美国工业与应用数学学会、英国物理学会Fellow。北京大数据研究院院长。1982年获中国科技大学学士学位。1985年在中国科学院获硕士学位。 1989年在美国加州大学洛杉矶分校获博士学位。1989年到1994年在纽约大学柯朗研究所和普林斯顿高等研究院从事研究工作。1994年成为纽约大学柯朗研究所终身教授。 1997年晋升为正教授。1999年起转任普林斯顿大学数学系和应用数学研究所教授。
研究领域为应用数学。在数学、应用数学、物理、化学、力学等领域的顶级会议上应邀作过邀请报告。
2003年获国际工业与应用数学协会科拉兹奖。2009年获美国工业与应用数学学会克来曼奖。2014年获美国工业与应用数学学会卡门奖。2019 年获得 美国工业与应用数学学会和ETH 共同颁发的Henrici Prize. 2020年获ACM Gordon Bell Prize.
