2019年1月7日，中国石油大学（华东）王健副教授（博士生导师），应兰州大学数学与统计学院邀请，访问数学与统计学院，期间在兰州大学110周年校庆系列活动之“九章讲坛”第四十四讲上作了题为“神经网络最优结构模型构造与特征降维”的报告。

报告摘要：

随着图像处理、信息检索及生物信息学等大规模高维问题的持续增长，数据体积、维度的多样性和复杂性不断增加，对已有的特征选择算法和机器学习模型提出了严峻的挑战。以深度学习技术为代表的学习模型，通过增加处理器个数和提升处理器性能可在很大程度上解决海量大数据问题并有很好的工业应用；但在解决超高维度变量和数据可靠性问题仍存在很大困难。可解释性和简约模型结构是神经网络模型设计的两个重要研究主题，Group Lasso正则子的引入可以高效达到冗余特征删减和隐层节点修剪的目标。通过交叉验证的方法选择合理正则化参数及选择合适光滑函数逼近不可微Group Lasso正则子，可以在实现精简网络和增强数据可解释性的同时提高网络学习性能。在网络训练过程中加入权值噪音进一步验证了基于光滑Group Lasso正则项的容错神经网络模型鲁棒性，并且从理论严格证明了算法的收敛性。

（编辑 谢雪涛）