学术研究员
Minsu Kim 攻读电气与计算机工程博士学位，研究方向是构建绿色、可持续且鲁棒的联邦学习解决方案，重点关注联邦学习算法的全生命周期管理，包括数据采集、算法模型设计、训练及推理/再训练等环节。
Ying Shen 攻读计算机科学博士学位，研究兴趣集中在自然语言处理和多模态消息领域，专注于构建更具人类特质的交互式智能体，以更好地理解、解释和推理周围世界。
教职研究奖项获得者
Lifu Huang（计算机科学系助理教授） 项目：“基于指令调优的半参数化开放域对话生成与多维度评估”
- 开发创新的半参数化对话框架，通过动态检索整合知识源增强生成模型
- 利用指令调优技术模拟多维度人工评判，训练轻量级对话评估器
Ruoxi Jia（电气与计算机工程系助理教授） 项目：“精准施策：面向高效鲁棒机器学习的数据采集与修剪策略”
- 开发优化数据采集策略，收集最具价值的信息数据
- 设计数据修剪方法消除冗余数据点
- 评估这些方法对计算成本、模型性能和鲁棒性的影响
Ming Jin（助理教授） 项目：“面向利益相关方对齐的交互系统安全强化学习”
- 开发基于强化学习和博弈论的利益相关方对齐框架
- 研究成果对推荐系统等应用领域具有重要意义
Ismini Lourentzou（计算机科学系助理教授） 项目：“基于扩散场景图的具身AI智能体”
- 设计能够追踪环境长期变化的具身AI智能体
- 研究智能体如何通过次优演示学习多模态奖励函数来适应人类偏好
Xuan Wang（计算机科学系助理教授） 项目：“通过自对话实现开放域对话生成的事实核查”
- 针对聊天机器人和虚拟助手在开放域对话中信息准确性问题
- 提出基于语言模型自对话的新型事实核查方法，自动验证生成回复并提供支持证据
研究领域
该合作计划重点关注机器学习的高效性与鲁棒性研究，具体涵盖：
- 联邦学习系统
- 自然语言处理
- 多模态人工智能
- 强化学习
- 数据优化策略
- 具身智能体
- 事实核查技术
通过支持这些前沿研究项目，合作双方致力于推动机器学习系统在保持鲁棒性的同时，在各个领域创造具有社会影响力的人工智能应用。