王浩最看重三个报告，今天的第二场、第三场，还有明天上午第三场，也就是沙勉之和王明坤一起的研究。

现在进行的第二场，是一个牛津大学教授做的研究，是对于梯度下降算法计算复杂度的理论研究。

这是非常罕见的。

在应用研究的很多方面都依赖于一种名为‘梯度下降’的算法，是一个求解某个数学函数最大/最小值的过程，从计算产品的最佳生产方式，到工人轮班的最佳安排方法，‘梯度下降’算法都能派上用场。

但是相对于多方向的应用来说，相关理论研究却稀少的可怜。

这位作报告的牛津大学教授，从‘梯度下降算法在许多常见问题上效果不佳’，以及‘梯度下降的很多工作都没有涉及复杂性理论’两个方向，以数学计算机的方式，研究各类情况问题中的交集问题，从而对于梯度下降算法进行了理论论证。

王浩听得津津有味，论证中清晰的逻辑剖析，让他感觉对于逻辑论证的把握都更清晰了。

另一个反应就是--

【任务二，灵感值+1。】

听取了全程的报告，直接带来了‘任务二’一点灵感值收获，明显收获是很巨大的。

虽然只有一点灵感值，但要知道，‘任务二’是破解上帝之数，难度是a级别的，只是增加一点灵感值，也许会是很重要的提升。

牛津大学教授的报告获得了一致赞叹，完成的时候收获了一致的掌声。

沙勉之坐在了王浩的旁边，忍不住感叹道，“看来，想拿个最佳不容易啊！”他对自己的研究有信心，但要说压制刚才的报告可不好说，还是要看会议评审组的看法。

下面就是第三场。

会议第一天的第二场、第三场都可以说是压轴，有了刚才的精彩报告，好多人也期待其了第三场，上场的是来自芬蘭赫尔辛基大学的西弥斯-戈尔利克斯，以及他的同事阿尔马洛夫。

报告的名称则是‘快速而准确的最小均方求解’，内容是对于最小均方算法，也就是lms算法的改进。

西弥斯-戈尔利克斯上台以后，就骄傲的宣布，“我们找到了一种最为快速、最为准确的最小均方求解方法，这种方法可以让计算复杂度降低两个数量级以上，并且不会损失精度和改善的数值稳定性。”

这句话说出来立刻引起会场一片哗然。

最小均方求解是许多机器学习算法的核心，能够让计算复杂度降低两个以上数量级，可不是开玩笑的，那已经不是改善，而是‘跨越式的进步’。

比如，计算一个问题需要一亿次运算，下降两个数量级就变成了一百万次。

这显然是质的飞跃。

西弥斯-戈尔利克斯开始认真讲解说起来，他的同事阿尔马洛夫则在旁边做补充讲解，他们提出了一个非常新颖的分治法，然后用离散傅里叶变换算法，充当整体构架的‘掌舵’。

王浩听到这里顿时有精神了。

他感觉‘掌舵’内容似乎有些熟悉，再继续听下去就明白过来。

后面的研究内容对于自己的‘傅里叶变换辅助构建数学模型’，肯定是存在一定的借鉴和参考。

“抄袭？”

“不，应该说是应用。”

发表出来的论文内容，被用作其他研究的参考，也是很正常的事情，只要论文上带上‘参考文献’就可以了。

这倒是没关系。

不过王浩继续听下去，就不由得皱起了眉头，他发现对方的研究是存在问题的，尤其牵扯到离散傅里叶变换算法，合并‘分治法’支撑降低计算复杂度，到了两个数量级就出问题了。

报告进行了一个小时左右，西弥斯-戈尔利克斯完成大部分讲解，他讲解的都是‘大致方向’，也停下来休息了一下，也让会场众人做个消化。

其他人都在惊叹报告成果，王浩则是喊了一句，“戈尔利克斯先生！”

西弥斯-戈尔利克斯马上注意到王浩，疑惑问道，“这位年轻的先生，有什么问题？”

会场众人顿时看过来。

王浩站起来说道，“你的报告很精彩，我指的是前面，但是第二部分，用离散傅里叶变换对于整体计算进行构架，我认为，是有问题的。”

“离散傅里叶变换和你的‘分治法’相结合，在计算超大数或是超多计算量时，比如，超过兆亿次计算，所塑造承受的复杂性的核集，不可能把所有的解包含进去。”

“你是依赖caratheodory定理完成的构造，分治法本身没有问题，但和离散傅里叶变换算法相结合，就会出现问题。”

“就是在第二部分，表征凸包点开始……”

王浩用手指了一个方向。

西弥斯-戈尔利克斯没有回头，而是满脸不屑道，“年轻人，你的导师呢？”

“这里是stacs会议，你要为你说的话负责。”

王浩轻笑道，“我当然会为我的话负责。另外，我也是来作报告的，并没有和‘导师’一起。”最后一句是调侃说出来的。

他继续道，“而且，如果没有听错的话，从第二部分开始，你们的研究，主要是使用了我的方法。”