核心研究方向

强化学习在多项研究中表现突出，同时优化算法、隐私保护、表格数据处理、时间序列预测和视觉语言模型也是重点领域。

代码生成

大型代码语言模型在修复潜在错误代码时存在缺陷，研究通过分析代码补全场景揭示了模型局限性。

复杂查询应答

基于事件知识图谱的复杂查询系统，通过隐式逻辑约束处理时序因果关系（如餐厅投诉原因推理），解决了传统方法无法处理的时序逻辑问题。

联邦学习

提出联邦多目标学习框架，在分布式环境下实现多目标协同优化。

人机交互

Alexa Arena平台为具身智能体开发提供用户中心化交互环境，集成语音、视觉和动作控制模块。

关键技术突破

1. 优化算法

   • Bounce框架实现高维组合空间的可靠贝叶斯优化
   • 分布鲁棒的φ-散度贝叶斯优化方法

2. 隐私保护

   • 通过量化回归实现可扩展的成员推理攻击检测
   • 建立隐私数据联合计算公共仓库（癌症数据案例演示）

3. 表格数据建模

   • HYTREL框架将表格转化为超图结构，保持行列置换不变性
   • 提出表格深度学习的归纳偏置方法

4. 时间序列预测

   • PreDiff模型利用潜在扩散实现降水临近预报
   • 预测-优化-合成的三阶段扩散模型框架

5. 视觉语言模型

   • 2万类别提示预训练实现开放词汇视觉识别
   • 网络内部表征的可组合并行适配技术