基本信息
浏览量:36
![](https://originalfileserver.aminer.cn/sys/aminer/icon/show-trajectory.png)
个人简介
在感知学习模型的解空间结构, 深度神经网络的降维理论, 视网膜神经网络的相变理论, 无监督学习的内禀对称性破缺等方向取得了国际同行公认的学术成果。 标志性的成果有如下四项: (1)离散感知神经网络解空间结构的阐明, 解决了长期困扰神经网络理论学界的关于离散感知机计算困难性起源的问题 (Phys Rev E, 2014)。(2)无监督学习的物理本质 (Phys Rev E, Rapid Communication, 2015,Phys Rev E 2016, JSTAT 2017, JPA 2018, 2019, PRL 2020)。 (3)一级相变揭示了神经编码结构的团簇性质, 理论上阐明了全静息码(所有神经细胞短暂不发放)的局域团簇结构逼近理论极限 (Phys Rev E, 2016)。(4)发现了多层神经网络的降维机制 (Phys Rev E, 2018)和深度学习的系综线性变换(PRL 2020)。
承担课题:
(1) 中山大学百人计划青年学术骨干启动经费(2018-2019)
(2) 国家青年科学基金项目:神经网络无监督学习的相关统计物理研究 (2019-2021)
(3) 国家优秀青年基金:神经网络的统计物理(2022-2024)
承担课题:
(1) 中山大学百人计划青年学术骨干启动经费(2018-2019)
(2) 国家青年科学基金项目:神经网络无监督学习的相关统计物理研究 (2019-2021)
(3) 国家优秀青年基金:神经网络的统计物理(2022-2024)
研究兴趣
论文共 101 篇作者统计合作学者相似作者
按年份排序按引用量排序主题筛选期刊级别筛选合作者筛选合作机构筛选
时间
引用量
主题
期刊级别
合作者
合作机构
Physical review. Eno. 4-1 (2024): 044309-044309
Frontiers in computational neuroscience (2024): 1388166-1388166
arxiv(2024)
引用0浏览0引用
0
0
arXiv (Cornell University)no. 1 (2023): 013090
加载更多
作者统计
#Papers: 95
#Citation: 745
H-Index: 18
G-Index: 24
Sociability: 6
Diversity: 2
Activity: 34
合作学者
合作机构
D-Core
- 合作者
- 学生
- 导师
数据免责声明
页面数据均来自互联网公开来源、合作出版商和通过AI技术自动分析结果,我们不对页面数据的有效性、准确性、正确性、可靠性、完整性和及时性做出任何承诺和保证。若有疑问,可以通过电子邮件方式联系我们:report@aminer.cn