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、机器人学、语言技术、机器学习、运筹学和数据科学领域进行科学研究的研究生。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学实习面试。

研究员及技术研究方向

Shantanu Gupta（机器学习）

• 导师：运营研究与机器学习助理教授（兼任某机构顾问）、经济学助理教授
• 研究内容：开发"在可访问多数据源（具有相关成本结构）且返回不同特征子集时高效估计目标参数的算法。在预算约束下，需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 nuisance 参数（如倾向得分）以估计目标参数（如平均处理效应ATE）"

Ian Waudby-Smith（统计学）

• 导师：某机构访问学者、统计学与数据科学及机器学习系助理教授
• 研究内容：在线变点检测算法，“负责确定在线数据流是否发生分布变化及变化时间。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。该研究致力于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）

• 导师：计算机科学副教授、某机构学者（2022年连续获奖者）
• 研究内容：自动推理与证明复杂性
• 技术目标：“更好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。为此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，最终帮助原则性地指向在理论表达性和实践证明搜索简便性间具有理想平衡的证明系统”

Minji Yoon（计算机科学）

• 导师：计算机科学教授、某机构学者（2022年连续获奖者）
• 研究内容：图深度学习
• 技术方案：“使图深度学习（DLG）更实用化，需实现：(1)减少超参数调优等手工工作；(2)满足可扩展性和隐私等现实约束。通过以下方式实现：a)自动化DLG算法搜索；b)可跨领域迁移且需最少微调的通用图神经模块；c)重新定义考虑现实世界可扩展性和隐私约束的传统问题 formulation”

相关技术领域

• 机器学习
• 自动推理
• 持续学习
• 图神经网络（GNNs）
• 学术合作