【UAI 2019 Tutorials】深度学习数学（Mathematics of Deep Learning）

主题： Mathematics of Deep Learning

摘要： 本教程将介绍一些深神经网络的理论结果，其目的是为属性提供数学证明，如逼近能力、收敛性、全局最优性、不变性、学习表征的稳定性、泛化误差等。讨论了该理论在神经网络训练中的应用。本教程将从90年代早期的神经网络理论（包括著名的Hornik等人的研究成果）开始。还有Cybenko）。接下来，我们将讨论过去五年中为深度学习而建立的最新理论成果。文中还将讨论该理论所遵循的实际考虑。

邀请嘉宾： Raja Giryes，是特拉维夫大学电气工程学院的助理教授。他获得了海拉以色列理工学院计算机科学系理学学士（2007）、理学硕士（M.Elad教授和Y.C.Eldar教授监督，2009）和博士（M.Elad教授监督，2014）学位。Raja是Technion（2013年11月至2014年7月）计算机科学系和杜克大学G.Sapiro教授实验室（2014年7月和2015年8月）的博士后。他的研究兴趣在于信号和图像处理与机器学习的交叉点，特别是在深度学习、反问题、稀疏表示和信号和图像建模方面。Raja获得了EURASIP最佳博士奖、ERC StG奖、Maof优秀青年教师奖（2016-2019）、VATAT优秀博士后奖学金（2014-2015）、英特尔研究与卓越奖（2005、2013），德克萨斯仪器公司（2008）颁发的信号处理卓越奖（ESPA），是Azrieli研究员计划（2010-2013）的一部分。

下载链接： 链接：https://pan.baidu.com/s/1tHvvi7codVe4kdb1quZB1w 提取码：99fm