应用研究的很多方面都依赖于一种名为‘梯度下降’的算法，是一个求解某个数学函数最大/最小值的过程，从计算产品的最佳生产方式，到工人轮班的最佳安排方法，‘梯度下降’算法都能派上用场。

　　但是相对于多方向的应用来说，相关理论研究却稀少的可怜。

　　这位作报告的牛津大学教授，从‘梯度下降算法在许多常见问题上效果不佳’，以及‘梯度下降的很多工作都没有涉及复杂性理论’两个方向，以数学计算机的方式，研究各类情况问题中的交集问题，从而对于梯度下降算法进行了理论论证。

　　王浩听得津津有味，论证中清晰的逻辑剖析，让他感觉对于逻辑论证的把握都更清晰了。

　　另一个反应就是--

　　【任务二，灵感值+1。】

　　听取了全程的报告，直接带来了‘任务二’一点灵感值收获，明显收获是很巨大的。

　　虽然只有一点灵感值，但要知道，‘任务二’是破解上帝之数，难度是A级别的，只是增加一点灵感值，也许会是很重要的提升。

　　牛津大学教授的报告获得了一致赞叹，完成的时候收获了一致的掌声。

　　沙勉之坐在了王浩的旁边，忍不住感叹道，“看来，想拿个最佳不容易啊！”他对自己的研究有信心，但要说压制刚才的报告可不好说，还是要看会议评审组的看法。

　　下面就是第三场。

　　会议第一天的第二场、第三场都可以说是压轴，有了刚才的精彩报告，好多人也期待其了第三场，上场的是来自芬蘭赫尔辛基大学的西弥斯-戈尔利克斯，以及他的同事阿尔马洛夫。

　　报告的名称则是‘快速而准确的最小均方求解’，内容是对于最小均方算法，也就是LMS算法的改进。

　　西弥斯-戈尔利克斯上台以后，就骄傲的宣布，“我们找到了一种最为快速、最为准确的最小均方求解方法，这种方法可以让计算复杂度降低两个数量级以上，并且不会损失精度和改善的数值稳定性。”

　　这句话说出来立刻引起会场一片哗然。

　　最小均方求解是许多机器学习算法的核心，能够让计算复杂度降低两个以上数量级，可不是开玩笑的，那已经不是改善，而是‘跨越式的进步’。

　　比如，计算一个问题需要一亿次运算，下降两个数量级就变成了一百万次。

　　这显然是质的飞跃。

　　西弥斯-戈尔利克斯开始认真讲解说起来，他的同事阿尔马洛夫则在旁边做补充讲解，他们提出了一个非常新颖的分治法，然后用离散傅里叶变换算法，充当整体构架的‘掌舵’。

　　王浩听到这里顿时有精神了。

　　他感觉‘掌舵’内容似乎有些熟悉，再继续听下去就明白过来。

　　后面的研究内容对于自己的‘傅里叶变换辅助构建数学模型’，肯定是存在

　　请收藏：https://m.biquge07.com

（温馨提示：请关闭畅读或阅读模式，否则内容无法正常显示）