界都算不上什么高深的东西。
可结合孟繁岐的应用成果来展示，则大大的加分，意义非凡。
不同领域的交叉地带，一向是出成果的捷径。
台上，韩辞的讲述仍在继续。
“我们假设一个简单的高维积分问题，计算一个可以表示为期望的积分I(g)，先通过有限求和Im(g)来逼近。
若改用蒙特卡洛办法，从特定的独立同分布的抽样样本中选择N个样本，则有恒等式E(I(g)-Im(g))^2=var(g)/N，var(g)=Eg^2-(Eg)^2)
这告诉我们收敛速度与维度无关。”
“若我们先用传统傅里叶变换，再用均匀的离散傅里叶变换来逼近。其误差则~m^-a/d，必然被维度所影响。
可，若一个函数可以表示成期望的形式，而令所有样本为独立同分布样本，则有拟合差值为var(f)/m，与维度无关。
若将两层神经网络写作该形式，则意味着，这一类期望函数均可由两层神经网络逼近，且其逼近速度与维度无关。”
“让我们转向离散动力系统的视角，举一个随机控制问题。
动力模型Zl+1=Zl+g1(z1，a1)+n，其中z为状态，a为控制信号，n为噪声。若我们想寻找一个反馈控制信号函数，而通过求解动态规划贝尔曼方程，则必然会遭遇维度灾难问题。
该过程的性质，其实与残差网络等同。
..................”
“最后，我总结。深度学习根本上是高维中的数学问题。神经网络是高维函数逼近的有效手段，而残差网络则是更加容易优化的高维函数。
这意味着：数学处于科技创新的真正前沿，并且对新领域产生直接冲击。同时也为人工智能领域、科学以及技术领域提供了众多新的可能性。”
韩辞总共讲述的时间大约是孟繁岐的两倍，讲述完成之后，更是被几位老学究抓着反复提问，讨论。
半晌，主持人才找到机会重新登台，把孟繁岐又请了上去。
主持人看上去年纪不大，大约三十岁左右，估计是斯坦福的在读博士生或者刚毕业的讲师。
为人相当活跃，看热闹的不嫌事大，他将孟繁岐重新请上来之后，还开了一句玩笑。
“这次演讲本来是你的舞台，现在却被韩辞小姐抢去了不少风头和关注，不知道你作何感受