深度神经网络的规则化柔性激活函数组合

深度神经网络中的激活是实现非线性映射的基础，传统研究主要集中于为一组特定的学习任务或模型体系结构找到固定的激活，在设计原理和应用场景方面，对柔性激活的研究都非常有限，着眼于提出选择灵活激活组件的三个原理，并实现了灵活激活函数的一般组合形式。在此基础上，实现了一种新的灵活激活功能家族，此外提出的正则化项可通过灵活的激活函数提高模型的收敛性，性能和稳定性。

超越坏情况的算法分析

算法数学分析的主要目标之一是提供指导，说明哪种算法是解决给定计算问题的“”方法，坏情况分析通过在给定大小的任何输入上的差性能来总结算法的性能概况，隐式地提倡具有可能的坏情况性能的算法，强大的坏情况保证是算法设计的圣杯，它为算法的强大性能提供了与应用程序无关的证明，但是对于许多基本问题和性能度量，此类保证是不可能的，因此需要更细微的分析方法。

人工智能时代的风险管理模型

7％的金融服务行业专业人士预计，到2022年，人工智能/机器学习对其业务将极为重要，而目前只有16％的企业采用人工智能/机器学习模型。显然，金融服务组织具有利用AI和ML功能的动力，但模型仍未部署-这暴露了模型部署过程中的困惑，金融服务组织用于AI计划的大部分资源都专门用于支持模型开发，AI / ML模型仅与用于开发它们的数据和模拟一样好。

企业应该认识到，从长远来看，AI / ML流程将既是数据的消费者又是数据的生产者

允许AI / ML投资立即将模型投入业务，模型验证挑战模型验证并不是什么新鲜事，他们必须确保预测模型遵循不断扩展的各种消费者保护和诸如CCAR，FCRA，FILA等抗衰退监管措施；政府法规制定的模型风险管理要求，许多金融机构已将无数资源投入到模型验证工作中，以满足监管标准的要求，得益于AI和ML技术的发展，以及过去几年AI行业背后广为宣传的炒作，AI和ML模型和项目的数量正在迅速增长。不幸的是，这也伴随着AI / ML模型所需更新频率的增加，这需要额外的模型验证。使问题更加复杂的是，黑匣子AI程序提供的AI / ML模型的复杂性给希望实现可解释AI的组织带来了重大的可解释性问题。如果组织不了解其模型为何做出某些预测，则可能导致模型偏差。

银行和金融企业在减少运营支出方面承受着越来越大的压力

特别是考虑到当前全球市场的状况，也就是说银行在模型验证方面不能走捷径，由于越来越多的媒体关注AI偏见，因此确保从道德公平的角度看待模型至关重要。

自动进行模型验证以减少运营成本

部署模型后，必须对其进行连续监视。与软件不同，模型会随着时间推移而衰减，并且必须在三个关键指标中跟踪性能：统计，技术和业务角度。如果模型的任何指标超出预设的目标和参数，则实践是使模型更新和批准过程自动化。这允许新优化的模型版本快速恢复生产以进行进一步的监视和评估，管理层可以通过自动更新模型元数据来在模型的生命周期中的任何时候复制模型。这在要求明确的模型可解释性和严格遵守法规的行业或功能领域（例如金融服务行业）尤其重要。