CAIT宣布新奖学金和教师研究奖项

哥伦比亚工程学院与某机构宣布为哥伦比亚AI技术中心(CAIT)设立两项新的博士奖学金和五项教师研究奖项。

新晋博士研究员

运筹学博士生Madhumitha Shridharan和计算机科学博士生Tuhin Chakrabarty成为新晋研究员。

Shridharan在导师指导下研究计算因果界限的优化方法：“我们关注数据丰富的商业环境中大规模系统的因果分析。因果学习和推理试图理解系统如何响应反事实干预，我们致力于开发用于现实商业系统可解释性和顺序决策的因果模型和算法。”

Chakrabarty的导师是计算机科学系副教授和数据科学研究所研究科学家。他研究自然语言理解和生成的知识感知模型：“基于Transformer架构的大规模语言模型（如GPT-3、RoBERTa）推进了自然语言理解和生成的技术水平。我的研究兴趣是将常识知识与大规模预训练语言模型的迁移学习能力相结合，以提升当前语言模型的能力。”

教师研究项目

新增的五项教师研究项目包括：

口语中的共情传达

Julia Hirschberg教授指出：“过去15年已有大量关于在对话系统中创建文本、面部表情和手势共情响应的研究，但几乎没有人研究能够产生共情声音的语音特征。我们计划通过收集首个共情播客和视频语料库，构建机器学习模型来识别共情语音及其特征。”

双模型的故事

Junfeng Yang教授和Asaf Cidon教授观察到：“全精度深度学习模型通常太大或成本太高，无法在边缘设备上部署。我们提出一种称为对抗性偏差攻击(ADA)的新攻击方式，它利用模型量化、压缩和剪枝的差异，通过向输入数据添加对抗性噪声来最大化原始模型和边缘模型之间的输出差异。我们还将研究新的或现有的防御措施如何抵御ADA攻击。”

有限容量下的联合选择和库存优化

Will Ma教授写道：“我们的提案是开发可扩展的优化算法，使电商能够系统地确定应该在这些宝贵空间中放置的SKU品种和库存。我们的模型考虑了内生依赖于SKU选择的需求、库存池效应以及不同SKU类别之间的相互作用。”

机器学习的指数级更快并行算法

Eric Balkanski教授解释：“该提案旨在为机器学习中的基本问题开发快速优化技术。现有工具箱不足以解决ML中的大规模优化问题。本提案考虑为当前最先进的算法开发新型并行优化技术。”

人在回路决策的置信度感知强化学习

Shuran Song教授和Matei Ciocarlie教授提出：“我们提出了在强化学习(RL)中利用人类辅助的新方法。为了解决稀疏奖励问题，我们旨在开发新的置信度度量。在这种范式下，深度RL策略将自主训练，但在任务最终成功的置信度过低时停止并请求协助。”

2022年CAIT活动

除了提供博士奖学金支持外，CAIT将于3月启动四场杰出讲座系列，6月举办研究展示会，10月举行年度研讨会。