徐宗本

中国科学院院士，数学家、信号与信息处理专家、西安交通大学教授

个人介绍：

主要从事应用数学、智能信息处理、机器学习、数据建模基础理论研究。曾提出稀疏信息处理的L(1/2)正则化理论,为稀疏微波成像提供了重要基础；发现并证明机器学习的“徐-罗奇”定理, 解决了神经网络与模拟演化计算中的一些困难问题,为非欧氏框架下机器学习与非线性分析提供了普遍的数量推演准则; 提出基于视觉认知的数据建模新原理与新方法，形成了聚类分析、判别分析、隐变量分析等系列数据挖掘核心算法, 并广泛应用于科学与工程领域。曾获国家自然科学二等奖、国家科技进步二等奖、中国CSIAM苏步青应用数学奖, 并在世界数学家大会(2010, 印度)上作45分钟特邀报告。曾任西安交通大学副校长。现任中国科学院信息技术科学部副主任、西安交通大学西安（国际）数学与数学技术研究院院长、大数据算法与分析技术国家工程实验室主任，是国家大数据发展专家委员会成员、中国新一代人工智能咨询专家组成员。

议题：

模型驱动的深度学习

议题介绍：

深度学习已经或正在成为标准化、普适化的人工智能技术。但网络拓扑设计缺少理论基础，在标准化与个性化、普适性与特异性之间难以平衡，学习结果不可预期、难以解释，这些是深度学习面临的核心挑战。本报告引进模型与数据双驱动的深度学习原理，以解决或缓解这些问题。新原理的核心思想是：引进模型族代替模型驱动方法中的精确建模，在函数空间上建立求解模型族的算法族和算法族的收敛性理论，然后依据算法族及收敛性理论展开成深度网络，并运用标准学习算法学习训练。根据这一原理设计的深度学习网络拓扑确定（有严格的理论依据），结构可设计、结果可预期、过程可解释，兼备了模型驱动与数据驱动两种方法的优点。我们给出多个应用实例，展示新方法的有效性与普适性。