ACM官網(wǎng)公布了2018 ACM博士論文獎

2018 ACM博士論文獎公布！來自加州大學(xué)伯克利分校的Chelsea Finn和普林斯頓大學(xué)的Ryan Beckett和馬騰宇獲獎，其中馬騰宇畢業(yè)于清華姚班，是一位醉心于人工智能理論研究的學(xué)術(shù)新星！

今天，ACM官網(wǎng)公布了2018 ACM博士論文獎。

三位獲獎人分別是：

加州大學(xué)伯克利分校Chelsea Finn獲得2018 ACM博士論文獎；

普林斯頓大學(xué)的Ryan Beckett和馬騰宇(Tengyu Ma)獲得2018 ACM博士論文獎榮譽(yù)獎(Honorable Mentions)。

從左到右分別是：Chelsea Finn，Ryan Beckett和馬騰宇。

ACM博士學(xué)位論文獎每年向計算機(jī)科學(xué)與工程領(lǐng)域的最佳博士論文作者頒發(fā)一次。博士論文獎獎金2萬美元，榮譽(yù)獎獎金1萬美元。獲獎?wù)撐膶⒆鳛锳CM系列書籍在ACM數(shù)字圖書館發(fā)表。

姚班校友馬騰宇：醉心人工智能理論研究，姚期智贊賞

其中，獲得榮譽(yù)獎的馬騰宇本科畢業(yè)于清華大學(xué)交叉信息研究院，是2008級姚班校友！

馬騰宇是清華姚班2008級畢業(yè)生

馬騰宇的簡歷幾乎是“別人家的孩子”模板，2007 年國際中學(xué)生數(shù)學(xué)奧賽銀牌（與金牌差一分），2010 年獲得美國普特南大學(xué)生數(shù)學(xué)競賽第 8 名。本科畢業(yè)于清華大學(xué)交叉信息學(xué)院，在普林斯頓大學(xué)獲得計算機(jī)科學(xué)博士學(xué)位。

馬騰宇2017年于Allen School Colloquia

在普林斯頓讀博期間，馬騰宇師從 Sanjeev Arora 教授，已在國際頂級會議和期刊上發(fā)表高質(zhì)量論文近 20 篇。

馬騰宇已發(fā)表的部分論文

跟新智元此前報道過的95后姚班校友陳立杰一樣，馬騰宇也醉心于計算機(jī)理論和人工智能理論研究。博士二年級時，馬騰宇獲得2014 理論計算機(jī)研究生 Simon 獎，他的工作致力于為機(jī)器學(xué)習(xí)問題的可證擔(dān)保開發(fā)有效的算法。

根據(jù)其個人主頁，馬騰宇的研究興趣廣泛，包括機(jī)器學(xué)習(xí)和算法方面的課題，如非凸優(yōu)化、深度學(xué)習(xí)及其理論、強(qiáng)化學(xué)習(xí)、表示學(xué)習(xí)、分布式優(yōu)化、凸松弛、高維統(tǒng)計等。

2017年，在談及姚班教育時，清華 “姚班” 創(chuàng)立者、中國科學(xué)院院士、中國首位圖靈獎得主姚期智先生曾高度評價這批姚班出來的學(xué)子，他說：

“在學(xué)界的，我們有好幾個做人工智能的學(xué)生，已經(jīng)在大學(xué)任教的有兩個，一個是在美國的杜克大學(xué)，一個是在美國的斯坦福大學(xué)做教授，他們都從事人工智能理論基礎(chǔ)方面的工作。他們在過去的四五年，在人工智能理論方面已經(jīng)非常非常出色，不然他們也不會被雇到這么有名的大學(xué)去，尤其是馬騰宇，他剛剛畢業(yè)，能夠被雇到斯坦福去，不管是中國學(xué)生還是外國學(xué)生都是非常少的?！?/p>

“他們確實(shí)可以說在人工智能領(lǐng)域是先驅(qū)，將來一定會在該領(lǐng)域留下非常深刻的痕跡”，姚期智評價道。

博士畢業(yè)后，馬騰宇獲得美國 MIT、哈佛、斯坦福、CMU、加州理工學(xué)院等頂尖高校的助理教授 Offer，馬騰宇選擇了斯坦福大學(xué)，目前是斯坦福大學(xué)計算機(jī)科學(xué)和統(tǒng)計學(xué)助理教授。

接下來，我們將分別介紹獲得ACM博士論文獎的3篇博士論文。

Chelsea Finn：開創(chuàng)性的元學(xué)習(xí)算法

加州大學(xué)伯克利分校的Chelsea Finn因其論文“Learning to Learn with Gradients”獲得2018年ACM博士論文獎。

論文地址：

https://www2.eecs.berkeley.edu/Pubs/TechRpts/2018/EECS-2018-105.html

在她的論文中，F(xiàn)inn介紹了元學(xué)習(xí)算法，這類算法使深度網(wǎng)絡(luò)能夠利用小數(shù)據(jù)集來解決新任務(wù)，并展示了她的算法如何應(yīng)用于包括計算機(jī)視覺、強(qiáng)化學(xué)習(xí)和機(jī)器人等領(lǐng)域。

深度學(xué)習(xí)已經(jīng)改變了人工智能領(lǐng)域，并在語音識別、計算機(jī)視覺和機(jī)器人等領(lǐng)域取得了重大進(jìn)展。然而，深度學(xué)習(xí)方法需要大型數(shù)據(jù)集，而大型數(shù)據(jù)集在醫(yī)學(xué)影像和機(jī)器人技術(shù)等領(lǐng)域并不容易獲得。

元學(xué)習(xí)(Meta-learning)是最近的一項創(chuàng)新技術(shù)，有望讓機(jī)器使用較小的數(shù)據(jù)集進(jìn)行學(xué)習(xí)。元學(xué)習(xí)算法通過使用過去的數(shù)據(jù)來學(xué)習(xí)如何快速適應(yīng)新任務(wù)，從而實(shí)現(xiàn)“l(fā)earn to learn”。然而，元學(xué)習(xí)的大部分初期工作都集中在設(shè)計越來越復(fù)雜的神經(jīng)網(wǎng)絡(luò)架構(gòu)上。

在她的論文中，F(xiàn)inn介紹了一類叫做模型無關(guān)元學(xué)習(xí)(model-agnostic meta-learning, MAML)的方法，不需要計算機(jī)科學(xué)家來手工設(shè)計復(fù)雜的架構(gòu)。Finn的MAML方法對該領(lǐng)域產(chǎn)生了巨大的影響，被廣泛應(yīng)用于強(qiáng)化學(xué)習(xí)、計算機(jī)視覺等機(jī)器學(xué)習(xí)領(lǐng)域。

Chelsea Finn

Finn在很年輕的時候就已經(jīng)成為機(jī)器人學(xué)習(xí)領(lǐng)域知名的專家之一。她開發(fā)了一些最有效的方法來教授機(jī)器人控制和操縱物體的技能。在她的論文強(qiáng)調(diào)的一個例子中，她使用MAML方法來教機(jī)器人僅使用來自單個人類演示的原始相機(jī)像素，學(xué)會拿取和放置物品的技能。

Finn是谷歌大腦的研究科學(xué)家，也是伯克利人工智能研究實(shí)驗(yàn)室(BAIR)的博士后研究員。2019年秋季，她將開始在斯坦福大學(xué)擔(dān)任全職助理教授。Finn在加州大學(xué)伯克利分校獲得電氣工程和計算機(jī)科學(xué)博士學(xué)位，在麻省理工學(xué)院獲得電氣工程和計算機(jī)科學(xué)學(xué)士學(xué)位。

Ryan Beckett：提高現(xiàn)代網(wǎng)絡(luò)可靠性的新原理、算法和工具

獲得2018年ACM博士論文獎榮譽(yù)獎(Honorable Mentions)的是Ryan Beckett和馬騰宇(Tengyu Ma)，他們都在普林斯頓大學(xué)獲得計算機(jī)科學(xué)博士學(xué)位。

Ryan Beckett在他的論文“Network Control Plane Synthesis and Verification”中開發(fā)了新的、通用的、有效的算法來創(chuàng)建和驗(yàn)證網(wǎng)絡(luò)控制平面配置。

論文地址：

http://www.rbeckett.org/files/thesis.pdf

在論文中，Beckett說：“計算機(jī)網(wǎng)絡(luò)連接著世界上關(guān)鍵基礎(chǔ)設(shè)施的關(guān)鍵組成部分。一旦這樣的網(wǎng)絡(luò)配置發(fā)生錯誤，人們所依賴的許多系統(tǒng)就會中斷——飛機(jī)停飛、銀行離線等等?！?/p>

Beckett的論文描述了大幅提高現(xiàn)代網(wǎng)絡(luò)可靠性的新原理、算法和工具。在論文的前半部分，Beckett指出，沒有必要去模擬傳統(tǒng)路由器所實(shí)現(xiàn)的分布式算法——這個過程太昂貴了——相反，我們可以直接驗(yàn)證這些算法最終可以收斂到何種穩(wěn)定狀態(tài)。在論文的第二部分中，他展示了如何從緊湊型高級規(guī)范生成正確的配置。

Ryan Beckett

Beckett是微軟研究院移動和網(wǎng)絡(luò)組的研究員。他在普林斯頓大學(xué)獲得計算機(jī)科學(xué)博士和碩士學(xué)位，在弗吉尼亞大學(xué)獲得計算機(jī)科學(xué)學(xué)士和數(shù)學(xué)學(xué)士學(xué)位。

馬騰宇：機(jī)器學(xué)習(xí)的非凸優(yōu)化

馬騰宇的論文《機(jī)器學(xué)習(xí)的非凸優(yōu)化：設(shè)計、分析和理解》提出了新的理論來支持機(jī)器學(xué)習(xí)的新趨勢。他介紹了證明機(jī)器學(xué)習(xí)中非凸優(yōu)化算法收斂性方面的重要進(jìn)展，并概述了通過這些方法訓(xùn)練的機(jī)器學(xué)習(xí)模型的性質(zhì)。

論文地址：

https://dataspace.princeton.edu/jspui/bitstream/88435/dsp01th83m199d/1/Ma_princeton_0181D_12361.pdf

在論文的第一部分，馬騰宇研究了一系列問題，如矩陣填充、稀疏編碼、簡化神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)線性動力系統(tǒng)，并對設(shè)計出可證明的正確且有效的優(yōu)化算法的條件進(jìn)行了清晰、自然的形式化。

在論文的第二部分，馬騰宇展示了如何理解和解釋自然語言的嵌入模型的性質(zhì)，這些性質(zhì)是通過非凸優(yōu)化來學(xué)習(xí)的。

馬騰宇

馬騰宇是斯坦福大學(xué)計算機(jī)科學(xué)和統(tǒng)計學(xué)助理教授。他在普林斯頓大學(xué)獲得計算機(jī)科學(xué)博士學(xué)位，在清華大學(xué)獲得計算機(jī)科學(xué)學(xué)士學(xué)位。