研究项目概述

2022年3月，某中心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，标志着该机构在支持硕士和博士研究生科研工作方面的持续投入。该项目自2021年启动，致力于支持在自动化推理、计算机视觉、机器人技术、语言技术、机器学习、运筹学和数据科学等领域从事科学研究的研究生。

本年度的奖学金获得者包括两名新成员和两名连任成员。获奖者还将获邀参加某中心的科研实习面试。

获奖研究员及研究方向

Shantanu Gupta - 机器学习

• 导师：运营研究与机器学习助理教授（兼任某中心顾问）及经济学助理教授
• 研究方向：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。这些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）"

Ian Waudby-Smith - 统计学

• 导师：某中心访问学者、统计学与数据科学及机器学习系助理教授
• 研究方向：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

• 导师：计算机科学副教授、某中心学者
• 研究方向：自动化推理和证明复杂性
• “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求解器的下一步发展。为实现此目标，正在开发优雅且模块化的证明技术，以证明这些系统间的分离，最终帮助我们有原则地指向在理论上具有理想表达能力、在实践中易于证明搜索的证明系统”

Minji Yoon - 计算机科学

• 导师：计算机科学教授、某中心学者
• 研究方向：图深度学习
• “本论文目标是使图深度学习更加实用。为产生更广泛影响，需要使图深度学习（1）减少手工工作，如超参数调优；（2）满足实际约束，包括可扩展性和隐私保护。为实现这些目标，提出（a）自动化图深度学习算法搜索，（b）可跨域迁移且只需最小微调的通用图神经模块，以及（c）重新定义传统问题表述，考虑实际世界中的可扩展性和隐私约束”

研究领域

• 机器学习
• 自动化推理

技术标签

• 持续学习
• 图神经网络
• 学术合作