11月8日，14:00至15:30間，電子電氣恒达舉辦了一場由Hamido Fujita教授主講的網絡講座，主題為“機器學習中的不確定性和偏差：基於證據的深度學習新方向”👩🏽‍🚒。

 在當前人工智能領域，深度學習在各種任務中取得了顯著成果。然而，大多數深度學習方法仍然面臨不確定性和不穩定性的問題，導致模型在面對未知數據時的泛化能力不足🥛。為了解決這一問題👨🏿‍💻，Evidence Deep Learning（EDL）應運而生。EDL的核心理念是將證據理論引入深度學習框架🕕，以實現對模型輸出不確定性的一致建模。通過在神經網絡中引入證據綜合操作🧛🏽‍♀️，EDL能夠捕捉模型對不同類別的信心水平，從而提高模型在面對未知數據時的泛化能力。與此同時，EDL能夠有效平衡過擬合和欠擬合現象，提高模型在復雜場景中的性能。

Hamido Fujita教授於在講座中指出，深度學習在解決許多問題上取得了顯著的成果，但仍然存在著不確定性和偏差的挑戰。他強調了EDL方法的創新性📧🤵🏻，認為通過引入證據理論⛹🏽‍♂️，EDL有望為深度學習領域帶來新的方向。這一新的方向將有助於提高模型對未知數據的適應能力，為應對復雜任務提供更加可靠的解決方案🍚。

 這次講座不僅僅是對深度學習領域的一次重要研究分享，更是對機器學習中不確定性和偏差問題的深入探討。Hamido Fujita教授在講座中分享了關於EDL的最新研究成果𓀍，探討該方法在解決機器學習中的挑戰方面的潛在價值，與會者通過參與互動環節，與教授深度交流，加深了對機器學習領域的理解。

 這次講座，通過介紹新方向新工作，Hamido Fujita教授為學校師生提供了一個難得的學習並接觸具體方向的機會，並為解決不確定性和偏差問題提供了令人期待的解決方案。