鹏抽出打印好的图表，贴在白板上，“我的方法，在相同训练、测试划分下，目前是817。错误分析显示，提升主要来自动物类和交通工具类。”
“这些类别视角变化大，手工特征容易失效。”
34个百分点的提升，在视觉领域已算显着。艾米丽轻声赞叹，汤姆也坐直了身体，只有捷尔任斯基，小声的吹了个口哨。
但维杰还没放弃，“你的模型参数量多大？过拟合风险呢？”
“参数量，卷积层约17万，全连接层约12万，总计不到14万。作为对比，一个三层的全连接神经网络，输入是64x64x3=维，隐层若取500单元，参数量就超过600万。”
曹鹏从容应对，“至于过拟合，我用到了数据增强，平移、旋转、缩放、dropout，以及在损失函数中加入权重衰减。五折交叉验证的方差在08以内。”
滴水不漏。维杰靠回椅背，终于露出一丝苦笑，“行吧，看来你都考虑到了。”
“不，还有问题。”曹鹏忽然说。所有人都看向他。他指向白板上的一处，“稀疏编码的字典学习，我目前用的是在线梯度下降，但初始化敏感。我试了ksvd和od，效果都不稳定。”
“这是我今天想请教大家的：有没有更好的字典初始化策略？或者，我们是否该换一种思路，不学固定的字典，而学一个能生成字典的函数？”
问题抛回给小组。一直沉默的瑞迪教授此时开口，声音里带着赞许，“很棒的思考，曹。字典初始化……让我想到非线性降维中的局部线性嵌入。或许可以将lle的邻域重构思想迁移过来，用局部样本的线性组合初始化字典原子。”
讨论就此转向更深的技术细节。维杰出用拉普拉斯特征映射约束字典原子的平滑性，艾米丽建议在损失函数中加入判别性项。汤姆贡献了一个cuda加速的idea。虽然实现细节有待商榷。
曹鹏听着，不时点头，在笔记本上记录。辩论时的锋芒收起了，此刻他是海绵，吸收每一点有用的灵感。当艾米丽提出一个巧妙的正则化方法时，他眼睛一亮，迅速推演了几步，抬头说，“这个可以和我之前想的流形约束结合。”
“如果我们把特征空间视为黎曼流形，你的正则化项其实就是对流形曲率的惩罚。艾米丽，会后能详细聊聊吗？”
艾米丽笑着点头。
维杰插话，“曹，你总能把不同领域的东西缝在一起。上次是稀疏编码和视觉注意力，这