研究方向
(1)机器学习的数理基础
(1.1)非结构数据的机器学习理论
(a)神经网络的表示能力分析
(b)神经网络的全局收敛分析
(c)神经网络的泛化能力分析
(1.2)图数据的机器学习理论
(a)图神经网络的模型表示理论
(b)图神经网络的模型训练理论
(c)图神经网络的模型泛化理论
(1.3)机器学习模型的大规模训练理论
(a)低通信二阶优化算法设计
(b)通用分布式优化问题算法设计和理论分析
(c)非凸模型的大规模矩阵和张量分解方法研究
(2)强化学习的数理基础
(2.1)强化学习收敛性和鲁棒性
(a)强化学习的统计理论
(b)强化学习的渐近分析理论
(c)强化学习的鲁棒性理论
(2.2)强化学习的自学习方法和理论
(a)强化学习自学习环境的数学建模与实现
(b)强化学习的自学习算法设计
(c)强化学习的自学习理论研究
(2.3)多智能体强化学习技术与理论
(a)去中心化的多智体强化学习算法设计
(b)强化学习的动态策略学习
(c)智体建模和动机预测分析
(3)偏微分方程理论及在人工智能中的应用
(3.1)蕴含偏微分约束优化问题的建模与模拟
(a)基于迭代阈值法的拓扑优化的数学方法
(b)机理与数据驱动的拓扑优化方法
(c)模型与算法的工业应用
(3.2)计算数学与偏微分方程数值解
(a)多频和高频亥姆霍兹方程的快速求解
(b)含带电离子非牛顿流体模型的模型、算法及其应用
(3.3)偏微分方程定性分析
(a)用实效边条件替代薄层里的偏微分方程问题
(b)生物化学膜的相变以及极限模型