2022年11月17日至18日，自大流行以来，DeepMath首次在校园内举行了面对面的会议，包括HDSI的几位教师、博士后和研究生。这是该会议的第五次会议，在过去两年里一直以虚拟方式举办。

dnn的许多最新进展，结合开放、易于访问的实现，使dnn成为广泛用于机器学习的强大、通用方法，应用于包括神经科学在内的许多领域。然而，这些实际结果的进步远远超过了对这些网络及其训练的正式理解。这些技术缺乏严格的分析，限制了它们在解决科学问题方面的作用，更广泛地说，阻碍了下一代网络的系统设计。最近，许多领域的研究人员开始出现一些迟到已久的理论成果，有助于理解和应用。 

DeepMath今年的目的是让人们了解深度神经网络(dnn)的最新进展，以及那些将紧随其后的进展，以阐明大型、自适应、分布式学习架构的特性，并彻底改变我们对这些系统的理解。

DeepMath致力于促进致力于这些技术开发的人们与那些对如何实现这些技术有更广泛看法的人之间的对话。

为期两天的会议汇集了来自国内外数据科学领域不同机构的学生，并邀请了7位演讲者。有整整两天的活动，以吸引参与者，包括周四晚上的热情海报会议。

今年活动的赞助商是美国国家科学基金会(NSF)、西蒙斯基金会、约翰霍普金斯数据科学数学研究所和HDSI。DeepMath致力于多样性，并首次提供旅行补助金，旨在减少参与障碍，扩大深度神经网络数学理论领域的代表性。今年为多个个人提供了资金，以支付会议期间家属的护理费用，这一努力将扩大到其他类型的赠款，以支持未来几年的参与。

作为这一努力的一部分，今年邀请的演讲者之一是博克·乌斯顿(Berk Ustun)，他是HDSI的助理教授。Berk说:“我们现在可以建立深度学习模型来支持重要决策或自动化日常任务。然而，由于不使用它们，我们可能得不到好处，或者由于滥用而造成伤害。一些最优秀的研究人员最有能力讨论这些问题，他们在机器学习的其他领域工作，甚至在医学和法律等其他学科工作。为这种对话创造空间有助于引起人们对新问题的关注，并最终开发出更可靠的技术解决方案。”

“我们现在可以建立深度学习模型来支持重要决策或自动化日常任务。然而，由于不使用它们，我们可能得不到好处，或者由于滥用而造成伤害。一些最优秀的研究人员最有能力讨论这些问题，他们在机器学习的其他领域工作，甚至在医学和法律等其他学科工作。为这种对话创造空间有助于引起人们对新问题的关注，并最终开发出更可靠的技术解决方案。”

Berk Ustun, HDSI的助理教授

学生在活动期间张贴海报

下一届年度深度数学会议定于2023年11月举行。

有关本文和其他HDSI信息的问题，请联系HDSIComm@ucsd.edu。

注：本文由院校官方新闻直译，仅供参考，不代表指南者留学态度观点。