报告题目: 人工神经网络的学习机理与极端状态：从极限学习机到Kolmogorov-Arnold网络
报告人：罗长童 副研究员（中国科学院力学研究所）
报告时间：2026年9月11日（周五）10:00-11:00
报告地点：数学科学学院114（小报告厅)

校内联系人：杜磊 副教授    联系方式：84708351-8606

报告摘要：人工神经网络通过参数化映射实现输入与输出之间的非线性逼近，而“学习什么、学习多少以及如何学习”决定了不同网络架构的基本机理与泛化特征。本文从学习自由度视角审视人工神经网络的基本机理，并提出一种“极端学习状态”分析框架。极限学习机（ELM）与Kolmogorov-Arnold网络（KAN）分别代表神经网络学习机制的两个典型极端。ELM随机固定隐层参数，仅学习输出层权重，将内部特征学习压缩至极低程度，可视为一种近似“不学习”的极端状态；KAN则将固定激活函数推广为可学习的一元函数，使网络不仅学习连接参数，而且直接学习函数形态，可视为趋向“充分学习”的极端状态。因此，可以建立“随机表示—参数学习—函数学习”的统一学习谱系，用于刻画不同神经网络在表达能力、训练复杂度、数据需求、可解释性与泛化能力之间的内在权衡。该视角为理解ELM、传统神经网络与KAN之间的联系提供了新的统一解释，并为面向小样本和科学机器学习任务设计可控学习自由度的网络结构提供理论启示。

报告人简介：罗长童，理学博士，中国科学院力学研究所副研究员、研究生导师，入选国家科技专家库、科技部专家库、国家自然科学基金委专家库及北京市科技项目评审专家库。面向新型高速飞行器设计中的气动力/热预测关键建模难题，开展物理指导的机器学习方法研究，突破了从传统理论到机器学习的断层、气动数据的天地关联、历史数据难以复用等技术瓶颈，提出数据-物理机制融合的泛函学习、自适应空间变换和泛函迁移学习方法。相关成果已应用于我国新型飞行器研发，获得基金委、军科委、装发及航空航天工业部门等十多项重点、面上和重大研究项目支持；发表期刊论文40余篇，作为主要完成者荣获2016年度中国科学院杰出科技成就奖。