凸优化，前者是确保局部最小值就是全局最小值，后者则是对于复杂问题寻找实际可用的高质量解”

    “简单来说，前者用于高效率获得单一解，速度快，后者则是处理庞大数据，更全面。”

    翟达认真的点点头：“你继续。”

    别管懂没懂，在听。

    卢薇歪着脑袋想了片刻，试图更简单的解释。

    如果简单一次不够，那就简单两次，再加上一些实际应用！

    只有这样，她才能向翟达解释，为什么会将此当做“礼物”。

    “那再换个说法.凸优化可能适用于金融模型.以最快速度寻找最优解，而非凸优化适用于大数据处理和神经网络的深度学习，现实中大部分问题都是非凸的，可以帮助计算机以数学来学习现实，这样能理解么？”

    翟达终于捕捉到了关键词。

    神经网络？深度学习？

    卢薇看着翟达的表情变化，有些疑惑道：“你听说过？”

    前者不算稀奇，已经提出了几十年，后者其实是这两三年才定义的。

    翟达找回了一点自信：“我又不是吴越.”

    卢薇点头继续道：

    “一般情况下，凸优化和非凸优化是无法并行的，虽然有着‘凸松弛’作为半定规划链接，但本质上就像磁铁的两极，有各自的延伸领域。”

    “这并不是某个具体的、一次性的猜想证明，而是持续优化问题，即：如何更高效的获得各自解，原本我的研究就是这样，各自为战，分别提升了两者的运算效率，缩短了神经网络的逻辑链，不过下午考试时有了一点灵感。”

    重头戏来了。

    “我将之前《敏感度猜想》的‘矩阵追踪工具’，与两者结合了起来，使得计算过程中对梯度下降进行动态捕捉，可以在凸与非凸中半程切换，自动分析出最合适的方法，节省了双向求解50%的复杂度并且更快、更全面、更接近最优。”

    卢薇指了指电脑屏幕：“电脑里的，依旧是我的毕业论文。”

    而后第二次，将那几张手稿递给翟达：“但这几张稿纸内容，我就不发表了，送给你当礼物~”

    翟达捏着稿纸，神色微动。

    他大概理解卢薇的意思了。

    卢薇背着手，微微前倾，纤细的腰肢和恰到好处的起伏，俏脸上满是幸福。

    幸福于自己的研究可以帮到翟达。

  &