本文是由鄂维南院士、马超、吴磊和Stephan Wojtowytsch 2020年12月发表在CSIAM Transactions on Applied Mathematics 上的综述文章。原文题目为“Towards a Mathematical Understanding of Neural Network-Based Machine Learning: What We Know and What We Don’t”。下载英文报告请在本公众号发送关键词“机器学习数学理解”
基于神经网络的机器学习非常强大然而也十分脆弱。一方面,它能以前所未有的效率和精度逼近高维函数。这在不同的学科领域开辟了全新的可能性。另一方面,它也有着“黑魔法”的名声:其成功取决于许多技巧,参数调整可以是一门艺术。机器学习数学研究的主要目标是
我们离完全实现这些目标还很远,但公平地说,一个合理的大局正在显现。
本文的目的是回顾第一个目标的主要成就,并讨论存在的主要困惑。在古老的应用数学传统中,我们不仅要注意严谨的数学结果,还要讨论我们从仔细的数值实验和简化模型分析中获得的见解。
目前对第二个目标的关注要少得多。我们应该提到的一个观点是[33]中所提倡的连续形式化。其思想是首先建立机器学习问题的“适定”连续模型,然后离散化得到具体的算法。这一提议的吸引力在于:
然而,在现阶段还不能说连续形式化就是一条走得通的道路。因此我们将把对这个问题的充分讨论推迟到今后的工作。
文章提纲: