11月8日，14:00至15:30间，电子电气学院举办了一场由Hamido Fujita教授主讲的网络讲座，主题为“机器学习中的不确定性和偏差：基于证据的深度学习新方向”。

 在当前人工智能领域，深度学习在各种任务中取得了显著成果。然而，大多数深度学习方法仍然面临不确定性和不稳定性的问题，导致模型在面对未知数据时的泛化能力不足。为了解决这一问题，Evidence Deep Learning（EDL）应运而生。EDL的核心理念是将证据理论引入深度学习框架，以实现对模型输出不确定性的一致建模。通过在神经网络中引入证据综合操作，EDL能够捕捉模型对不同类别的信心水平，从而提高模型在面对未知数据时的泛化能力。与此同时，EDL能够有效平衡过拟合和欠拟合现象，提高模型在复杂场景中的性能。

Hamido Fujita教授于在讲座中指出，深度学习在解决许多问题上取得了显著的成果，但仍然存在着不确定性和偏差的挑战。他强调了EDL方法的创新性，认为通过引入证据理论，EDL有望为深度学习领域带来新的方向。这一新的方向将有助于提高模型对未知数据的适应能力，为应对复杂任务提供更加可靠的解决方案。

 这次讲座不仅仅是对深度学习领域的一次重要研究分享，更是对机器学习中不确定性和偏差问题的深入探讨。Hamido Fujita教授在讲座中分享了关于EDL的最新研究成果，探讨该方法在解决机器学习中的挑战方面的潜在价值，与会者通过参与互动环节，与教授深度交流，加深了对机器学习领域的理解。

 这次讲座，通过介绍新方向新工作，Hamido Fujita教授为学校师生提供了一个难得的学习并接触具体方向的机会，并为解决不确定性和偏差问题提供了令人期待的解决方案。