卡内基梅隆大学研究生研究奖学金项目技术方向解析

研究项目概述

2022年3月，某机构与卡内基梅隆大学宣布了第二批研究生研究奖学金获得者，该项目自2021年启动，致力于支持在自动推理、计算机视觉、机器人技术、语言技术、机器学习、运筹学和数据科学领域从事科学研究的研究生。本年度的获奖者包括两名新成员和两名2022年连续获奖者，获奖者还将获邀参加某机构的科研实习面试。

获奖者及研究方向

Shantanu Gupta - 机器学习

在运营研究与机器学习助理教授（同时担任某机构顾问）和经济学助理教授的共同指导下，致力于开发"在可访问多个数据源（具有相关成本结构）且每个数据源返回不同特征子集的情况下，高效估计目标参数的算法。在预算约束下，必须决定每个时间步查询哪个数据源。该方法适用于半参数模型中的参数估计，其中需要估计高维干扰参数（如倾向得分）以估计目标参数（如平均处理效应）"。

Ian Waudby-Smith - 统计学

在某机构访问学者兼统计与数据科学及机器学习系助理教授的指导下，研究在线变点检测算法，“负责确定在线数据流是否及何时发生分布变化。例如检测网站每日流量是否发生显著变化，或用户对A/B测试的响应是否非平稳。该提案关注在现实非参数假设下开发解决此类问题的方法论和实用算法”。

Emre Yolcu - 计算机科学

在计算机科学副教授兼某机构学者的指导下（2022年连续获奖者），专注于自动推理和证明复杂性研究：“主要目标是更好地理解证明系统的相对优势，这些系统旨在通过促进比解析（支撑CDCL求解器的证明系统）更强的证明系统中的高效证明搜索，推动当今SAT求解器的下一代演进。为实现该目标，正在开发优雅模块化的证明技术，以证明这些系统间的分离性，最终帮助我们有原则地找到在理论表达性和实践证明搜索便捷性之间具有理想平衡的证明系统”。

Minji Yoon - 计算机科学

在计算机科学教授兼某机构学者的共同指导下（2022年连续获奖者），专注于图深度学习研究：“本论文目标是使图深度学习（DLG）更实用。为产生更广泛影响，需要使DLG（1）减少手工工作（如超参数调优）；（2）满足现实约束包括可扩展性和隐私性。为实现这些目标，提出了（a）自动化DLG算法搜索；（b）可跨域迁移且只需最小微调的通用图神经模块；（c）重新定义传统问题 formulation以考虑现实世界的可扩展性和隐私约束”。