如何构建「可信任的深度学习」？美国三院院士UCLA数学泰斗Stanley Osher教授这44页ppt为你讲述

【导读】 可信任是AI应用落地的关键，在医疗、军事等领域尤为必需。最近，在一场深度学习与医疗应用的研讨会上，UCLA Stanley Osher讲述了可信任深度学习 (Trustworthy deep learning) 的报告，探讨了稳健、准确、高校、隐私的深度学习建模，从理论上如何设计保障，共有44页ppt，值得学习。

基于深度学习的AI在语音、图像、知识图谱等多个领域大放异彩。但是深度学习在医疗、金融、军事等“关键性”领域还处于探索期。医生不能仅根据模型的分类置信度进行诊断，金融机构不能仅凭借模型的输出轻易判断违约风险，军方不能仅依赖自动的图像识别执行打击任务，安全公司也不能仅通过模型检测结果完全自动化威胁响应。能够在关键决策领域落地应用的AI，应该是可信任的AI。可信任，一方面AI系统的性能要足够高，即能够弥补人类在数据处理上的低效性；此外，需要AI本身的鲁棒性，能够适应或优化后适应不同的使用环境；AI自身的安全性也是搭载系统是否值得信任的关键；最后，AI系统需要以足够透明、可解释的方式输出其判断和决策。不可信任的AI，不能够胜任任何政治、经济、安全攸关的关键性场景，这将大大降低其可用性和适用性。

https://www.math.ucla.edu/~sjo/，Stanley Osher

全能应用数学之王，流体力学和图像处理一代宗师，2014年韩国首尔国际数学家大会颁发了第三届高斯奖，授予了美国数学家斯坦利·奥舍（Stanley Osher，1942-）

Stanley Osher于1966年在纽约大学获得博士学位，曾在伯克利和纽约石溪任教，现为UCLA教授，美国三院院士。奥舍指导了超过50名博士生，包括著名应用数学家舒其望，他也是担任美国名校系主任（布朗大学）的第一位大陆留学生。

Osher在不同的时代均引领了不同领域应用数学的发展。在数值PDE方向，奥舍提出了ENO格式、WENO格式、Osher格式、Engquist-Osher格式等，以及Hamilton-Jacobi版本的方法，被广泛应用于计算流体力学。在图像处理方向，奥舍开创性地提出了基于PDE的图像处理方法，包括基于总变差的图像处理方法和水平集方法，在图像处理、计算机视觉、反问题、微分几何、晶体生长沉积和蚀刻等有着成功应用。在优化领域，奥舍提出了Bregman迭代法和增广拉格朗日迭代法等，被用于压缩感知、矩阵补全、鲁棒主成分分析等。

报告摘要： 在本工作中，我们讨论了值得信赖的深度学习：

• 稳健深度学习，
• 准确的深度学习
• 高效深度学习
• 隐私深度学习， 有理论保证，通常基于借鉴微分方程的思想

地址： https://www.ipam.ucla.edu/programs/workshops/deep-learning-and-medical-applications/?tab=schedule