本次报告首先介绍深度学习中的隐式偏好（implicit bias）概念，随后分析常见神经网络偏微分方程（PDE）求解器中存在的隐式偏好现象与理论。我们将从问题建模、网络架构设计、优化算法选择等关键因素出发，探讨它们如何影响求解的正确性与精度，从而为这类算法的优化与泛化提供新的理解。
报告人简介：罗涛，上海交通大学数学科学学院长聘教轨副教授，入选上海海外高层次人才引进计划。2012年在上海交大首届致远学院获学士学位。2017年在香港科技大学获得博士学位，获香港数学会最佳博士论文奖。2017-2020年在普渡大学数学系任Golomb访问助理教授。研究领域为机器学习和材料科学的数学理论。相关成果30余篇，发表在SIAM系列、ARMA、JMLR、NeurIPS、ICLR等应用数学和机器学习的一流期刊或会议上。
