报告题目：Application of Geometric Analysis and Optimization in Deep Learning

报 告 人：德国巴伐利亚州立人工智能研究所fortiss 机器学习实验室主任  沈浩博士

报告人简介：

       沈浩博士，毕业于西安交通大学（本科）及澳大利亚国立大学（博士），现任德国巴伐利亚州立人工智能研究所fortiss 机器学习实验室主任，主要研究方向为几何优化论在信号处理和机器学习中的应用，包括盲信号分离，深度学习及强化学习。沈浩博士先后在澳大利亚国立大学和德国慕尼黑工业大学从事信号处理和机器学习的教学研究15年，在该领域国际权威期刊杂志和世界一流国际学术会议发表专业学术论文近100篇。自2008年12月始，沈浩博士先后任慕尼黑工业大学数据智能研究所博士后研究员和助理教授(Habilitand)，2012-2014任原德国认知技术系统国家精英中心（国家重点实验室）（CoTeSys）PI， 自2017年10月始主持巴伐利亚州立fortiss研究所的机器学习实验室。fortiss研究所为德国巴伐利亚州数字化计划的重要组成部分，为慕尼黑工业大学旗下的一个独立研究所，主要从事汽车自主驾驶，工业4.0，机器人，数据管理，系统工程，可靠性软件，机器学习等领域的技术开发和商业化孵化。

报告内容：

Recent development of Deep Reinforcement Learning (DRL) has demonstrated superior performance of Neural Networks (NNs) in solving challenging problems with large or continuous state spaces. One specific approach is to deploy NNs to approximate value functions by minimizing the Neural Mean Squared Bellman Error (NMSBE) function. Despite great successes of DRL, development of efficient numerical algorithms to minimize the NMSBE is still of great scientific interest and practical demand. In this work, we analyses the NMSBE function from a smooth optimization perspective. Critical point analysis of the NMSBE function is conducted to provide technical insights to develop an efficient Approximate Newton’s (AN) algorithm. When the existence of global minimum is assumed, theoretical properties of the AN algorithm being locally quadratically convergent to a global minimum is confirmed via the ergodic seven-state Baird star problem. Furthermore, feasibility and capability of the proposed algorithms are investigated on the continuous state mountain car problem.

时  间：2019年8月12日16:00-17:00

地  点：空天院A216会议室

联系人：李元祥（yuanxli@sjtu.edu.cn）