导语
集智学园联合东京都市大学贾伊阳老师共同开设。本期课程将在函数空间、Hilbert 空间与对偶空间等基础上，把第一期介绍的泛函分析直观概念，发展为可计算、能证明、有助于阅读和写作人工智能领域论文的研究工具。课程共十讲，围绕“算子基础与变分”、“连续深度模型”、“分布与生成模型”和“算子与智能体”四个板块展开。首先讨论解的存在性、稳定性与优化方法，随后进入 Neural ODE、DEQ 等连续深度模型，再从概率测度空间理解扩散模型与流匹配，最终延伸至神经算子、连续注意力、Bellman 算子及多智能体系统，建立泛函分析与现代人工智能之间的系统联系。
作为第二期第一讲，贾伊阳老师将以「弱收敛与极小值的存在性」为主题，从下确界、极小值与极小化序列出发，通过 ℓ² 标准基反例说明无限维空间中“有界不等于紧”，进而辨析强收敛与弱收敛，梳理对偶空间、反身性、弱紧性与弱闭性之间的关系。在此基础上，课程将严格陈述并证明变分法的直接法，说明强制性与弱下半连续性如何共同保证极小值的存在，并讨论唯一性条件。课程还将以无限维 Tikhonov 正则化和深度神经网络的架构正则化为例，分析病态逆问题、正规方程与高频噪声抑制，进一步理解网络宽度、深度和参数半径如何参与正则化，以及偏差原则如何保证有限步停止与噪声趋零时的收敛。正式分享将于 9 月 8 日（周二）19:00—20:30 进行。
课程简介
本讲首先从无限维优化中“有界序列未必存在强收敛子列”的困难出发，引入弱收敛、反身空间和弱紧性。随后严格介绍变分法直接法，说明强制性、反身性、约束集的弱闭性以及泛函的弱下半连续性如何共同保证极小值存在，并以无限维 Tikhonov 正则化和对角紧算子为例说明其具体应用。
在此基础上讲解论文 Deep Neural Network Yields Regularization for Ill-Posed Inverse Problems：将网络宽度、深度和参数范围视为可逐步扩张的正则化参数，介绍有界参数网络类的紧性、逼近误差、两空间结构、目标泛函、两种扩张算法及偏差原则。最后说明论文关于极小值存在、算法有限步停止和噪声趋零时解收敛的主要结论，并讨论这种架构正则化方法的意义与局限。
课程大纲
1、无限维优化与弱收敛
a. 下确界、极小值与极小化序列
b. 无限维空间中“有界不等于紧”：$$\ell^$$ 标准基反例
c. 强收敛与弱收敛的定义及区别
2、反身性与弱紧性
a. 对偶空间、双对偶空间与反身空间
b. Eberlein–Šmulian 定理：有界序列的弱收敛子列
c. 弱闭性：保证约束条件在取极限时不丢失
3、变分法的直接法
a. 强制性：保证极小化序列有界
b. 弱下半连续性：保证弱极限取得极小值
c. 直接法的严格陈述、证明与唯一性条件
4、无限维 Tikhonov 正则化
a. 对角紧算子与逆问题的病态性
b. Tikhonov 泛函的极小值存在性与唯一性
c. 正规方程、显式解与高频噪声抑制
5、深度神经网络的架构正则化
a. 病态算子方程与含噪观测模型
b. 有界参数网络类及其紧性
c. 网络逼近误差与“两空间”结构
d. 网络宽度、深度和参数半径的自适应扩张
e. 偏差原则、有限步停止与噪声趋零时的收敛
6、总结：从直接法到神经网络正则化
a. 直接法条件与论文假设的对应关系
b. 网络架构作为正则化参数的数学含义
c. 理论保证、数值结果及方法的局限性
主讲老师
贾伊阳，东京都市大学讲师，曾任日本女子大学、成蹊大学助理教授，研究方向涵盖计算复杂性、算法及范畴相关理论。集智学园《范畴论与机器学习》《面向应用的泛函分析》课程讲师。她的讲课风格细致入微、逻辑清晰，声音甜美，是集智社区中备受学员喜爱的人气讲师。
贾伊阳老师近期与耶鲁大学数字伦理中心创始主任、信息哲学家Luciano Floridi展开合作，共同运用范畴论等数学工具，系统探讨人工智能的边界与安全性问题。
双方围绕大语言模型的语义基础、AI系统的形式化建模以及智能体的因果推理等方向，合作发表了多篇学术论文，从数学哲学层面为理解AI的能力边界、幻觉来源与可靠性提供了新的分析框架。
贾老师也将在后续课程中介绍这一系列合作成果，欢迎关注。
面向对象
这门课适合两类人。
一类是从事机器学习、人工智能相关工作的人。你们每天在用的那些模型：正则化、对抗训练、ISTA、Neural ODE、DEQ、Diffusion、FNO、强化学习，背后都站着同一套数学。这门课讲清楚这套数学，学完再看论文里的“紧性”“对偶”“半群”“谱”，就不再是陌生的名词，而是可以拆开、可以计算、可以用到自己的工作里去的工具。
另一类是学数学的人。如果觉得泛函分析是一门由孤立定理构成的基础课，这门课想让你看到它的另一面：这些定理怎样直接解释现代智能系统为什么能收敛、为什么会发散、会在哪里出问题。
建议具备一定的函数、向量与矩阵基础，最好已经接触过第一期的基本框架；如果对机器学习中的常见模型有大致了解，会学得更顺畅。
报名须知
课程信息：
· 泛函分析（二）
· 每两周一次课，固定在周二晚 7:30（即隔周二）
· 首讲时间：9 月 8 日（周二）晚 7:30
· 线上腾讯会议直播 + 回放
· 学费：￥499
付费流程：
课程页面添加学员登记表，添加助教微信入群；
课程可开发票。
课程共创任务：课程字幕
为鼓励学员深度参与、积极探索，我们致力于形成系列化知识传播成果，并构建课程知识共建社群。为此，我们特别设立激励机制，让您的学习之旅满载收获与成就感。
课程以老师讲授为主，每期结束后，助教会于课程群内发布字幕共创任务。学员通过参与这些任务，不仅能加深对内容的理解，还可获得积分奖励。积分可兑换其他读书会课程或实物奖品，助力您的持续成长。
泛函分析课特别定制集智涌现文化衫
附赠两副复杂科学知识卡
学员如何获得：
宣传贡献
转发活动文案或海报至朋友圈，附上个人推荐语，早鸟价报名集赞满100个、原价报名集赞30个。
同一课题组5人组团集体报名。
内容贡献
参与字幕校对或内容整理工作，可使用9900积分兑换相应权益。
历届学员反馈
：贾老师的第一期课程中，为我们介绍了泛函的基本定义，什么是函数空间，介绍了常用的希尔伯特空间，如何用核方法去测量函数（对偶空间）来找到我们需要的原函数，在做泛函的过程中，还讲了很多技术细节，就是怎么测量函数，需要满足哪些要求等等。
通过初步学习和了解，我们理解了物理、机器学习的内部工作原理，理解了诸如无限宽度的神经网络约等于一个核方法，知道了如何从数学思维理解机器学习。
希望在第二期的学习中，更够更加了解到解决前沿高维数学问题的泛函分析思想和方法。
：贾老师讲得很好，从头到尾把一门课讲得这么体系化，非常难得。课程内容扎实，逻辑清晰，听下来收获很大。
如果后续课程深入，我特别期待能听到以下几块内容：变分法与最优化、线性算子理论、三大定理（Hahn-Banach、一致有界性、开映射与闭图像）、谱定理。这些方向非常实用，对我们的研究和应用都会有直接的帮助。
公开课回放视频
关联课程丨面向应用的泛函分析：空间、算子与结构
第二期默认你熟悉第一期的基本框架——函数空间、范数与完备性、Hilbert 空间的几何、对偶空间。如果你是从机器学习或人工智能直接进入泛函分析，还没有系统地建立这套底子，建议先补上第一期《面向应用的泛函分析：空间、算子与结构》。
第一期回答三个更基本的问题：怎样把形态各异的函数放进同一个框架里谈论；怎样定义“接近”与“收敛”，让逼近和迭代算法有明确的终点；怎样保证求解过程对扰动和噪声始终稳定。它沿着“空间—度量—完备—算子—几何—对偶”这条主线，把最抽象的名词讲成一张可以在科研里导航的地图。第一期已有录播，可在集智学园网站回看。
第二期的每一讲，都站在这些结论上再往前走一步：第一期建立直觉，第二期把这些直觉变成可以写出证明、可以直接用于论文的工具。两期连起来，是从“理解泛函分析”到“用泛函分析做事”的完整路径。
热门跟贴