2023/04/19 14:18

陈萍、小舟编辑

亚马逊研究奖获奖名单公布：李磊、朱俊彦等多位华人在列

在刚刚公布的获奖名单中，我们看到了李磊、朱俊彦、宋晓东等多个熟悉的名字。

近日，亚马逊研究奖（Amazon Research Awards，ARA）获奖名单公布，今年共有 79 位获得者，来自 14 个国家 54 所大学。

完整获奖名单：https://www.amazon.science/research-awards/program-updates/79-amazon-research-awards-recipients-announced

亚马逊研究奖 (ARA) 成立于 2015 年，该计划旨在为多个学科研究主题的学术研究人员提供不受限制的资金。获奖者可以公开访问 300 多个亚马逊公共数据集，并可以使用亚马逊的 AI/ML 服务和工具。除此以外，获奖者还将与亚马逊专家建立联系，以获得咨询和建议，还可以参加亚马逊举办的活动、培训课程等。

值得注意的是，今年的获奖名单中出现了很多熟悉的华人学者。

Yan Huang

机构：卡内基梅隆大学
研究课题：对抗从人类决策中继承的算法偏差

Yan Huang 是卡内基梅隆大学泰珀商学院的商业技术终身副教授。Yan Huang 的研究使用经济理论、结构建模、统计建模、机器学习方法以及对底层技术的理解，来研究技术对经济和社会的影响，并为技术支持的市场和平台确定有效的设计和政策。Yan Huang 是使用结构计量经济学模型研究信息系统领域的设计和政策问题的早期支持者之一。Yan Huang 近期的研究方向包括经济学和机器学习的交叉领域。

个人主页：https://sites.google.com/andrew.cmu.edu/yan-huang/

Zhihao Jia

机构：卡内基梅隆大学
研究课题：利用系统优化方法构建可持续 AI

Zhihao Jia 是卡内基梅隆大学计算机科学系的助理教授，加入 CMU 之前，他曾在 Facebook 任研究科学家。Zhihao Jia 本科毕业于清华大学交叉信息院计算机科学实验班（姚班），2020 年在斯坦福大学计算机科学系获得博士学位。Zhihao Jia 的研究兴趣包括机器学习、量子计算和大规模数据分析。

个人主页：https://www.amazon.science/research-awards/recipients/zhihao-jia-fall-2022

李磊

机构：加州大学圣芭芭拉分校
研究课题：少量样本情况下实时稳健的同声传译

李磊是加州大学圣芭芭拉分校分校助理教授，曾先后任加州大学伯克利分校博士后研究员、百度美国深度学习实验室少帅科学家、字节跳动人工智能实验室总监。李磊的主要研究方向是机器学习、数据挖掘和自然语言处理。在机器学习、数据挖掘和自然语言处理领域于国际顶级学术会议发表论文 100 余篇，拥有二十余项技术发明专利。他曾获得过 2012 年美国计算机学会 SIGKDD 最佳博士论文第二名、2017 年 CCF 杰出演讲者、2019 年 CCF 青竹奖、以及 2021 ACL 最佳论文奖。

个人主页：https://engineering.ucsb.edu/people/lei-li

Xiaoyi Lu

机构：加州大学默塞德分校
研究课题：为分布式深度学习训练扩展集体通信

Xiaoyi Lu 是加州大学默塞德分校计算机科学与工程系的助理教授。他的研究兴趣包括并行和分布式计算、高性能互连、高级 I/O 技术、大数据分析、云计算和深度学习系统软件。Xiaoyi Lu 已经在国际学术会议、研讨会和期刊上发表了上百篇论文，并多次获得最佳（学生）论文奖或提名。Xiaoyi Lu 的许多研究成果都已经开源，例如 PMIdioBench、HiBD、MVAPICH2-Virt 和 DataMPI，被全球研究人员广泛使用。

个人主页：https://sites.ucmerced.edu/luxi

Yunan Luo

机构：佐治亚理工学院
研究课题：用于稳健药物筛选的经校准的、可解释的几何深度学习

Yunan Luo 是佐治亚理工学院计算科学与工程助理教授。他本科毕业于清华大学交叉信息院计算机科学实验班（姚班），博士毕业于伊利诺伊大学香槟分校计算机科学系。Yunan Luo 的研究兴趣包括计算生物学和机器学习，旨在开发人工智能和数据科学方法来揭示生物学和医学的科学见解。

个人主页：https://faculty.cc.gatech.edu/~yunan/

Qing Qu

机构：密歇根大学安娜堡分校
研究课题：通过神经崩溃（neural collapse）进行深度表征学习

Qing Qu 是密歇根大学安娜堡分校电气工程与计算机科学系 ECE Division 助理教授。Qing Qu 本科毕业于清华大学，2018 年在哥伦比亚大学获得博士学位。他是 SPARS'15 最佳学生论文奖的获得者。Qing Qu 的研究兴趣主要在于信号处理、数据科学、机器学习和数值优化的交叉领域。

个人主页：https://qingqu.engin.umich.edu/

宋晓东（Dawn Song）

机构：加州大学伯克利分校
研究课题：FedOps：可信赖的联邦学习的抽象

宋晓东现任 UC 伯克利计算机系教授，同时也是该校人工智能实验室的成员。1996 年毕业于清华大学，并在 1999 年和 2002 年分别获得了 CMU 和 UC 伯克利的硕士和博士学位。主要研究领域集中于区块链、深度学习和计算机安全领域，特别是隐私安全、加密协议和货币以及分布式系统。

个人主页：http://people.eecs.berkeley.edu/~dawnsong/

Xiaolong Wang

机构：加州大学圣地亚哥分校
研究课题：学习隐式神经基础模型

Xiaolong Wang 于 2020 年加入加州大学圣地亚哥分校，担任电气与计算机工程系助理教授，于 CMU 获得博士学位。他的研究兴趣包括计算机视觉、机器学习、机器人、自监督学习、视频理解、常识推理。

个人主页：https://jacobsschool.ucsd.edu/node/3659

Ce Zhang

机构：苏黎世联邦理工学院
研究课题：FedOps：可信赖的联邦学习抽象

Ce Zhang 是苏黎世联邦理工学院计算机科学助理教授。他的研究任务是让机器学习技术能够被广泛使用，同时具有成本效益并值得信赖。在加入 ETH 之前，Ce Zhang 在威斯康星大学麦迪逊分校完成了博士学位，并在斯坦福大学担任了一年的博士后研究员。

个人主页：https://ds3lab.inf.ethz.ch/members/ce-zhang.html

Tianyi Zhang

机构：普渡大学
研究课题：Human-in-the-loop 中的深度学习优化，以达到更好的可用性，透明度和用户信任

Tianyi Zhang 是普渡大学计算机科学系终身助理教授。在此之前，他是哈佛大学的博士后研究员。2019 年获加州大学洛杉矶分校博士学位，2013 年获华中科技大学学士学位。主要研究方向为软件工程、人机交互、人工智能。特别是，他的研究重点是构建交互式系统，以使用基于 AI 的技术提高编程效率并减少编码障碍。

个人主页：https://www.cs.purdue.edu/people/faculty/tianyi.html

Yiying Zhang

机构：加州大学圣地亚哥分校
研究主题：用 zero 激活训练深度神经网络

Yiying Zhang 为加州大学圣地亚哥分校助理教授，于威斯康星大学麦迪逊分校获得计算机科学系博士学位。她的主要研究兴趣包括操作系统、分布式系统、计算机体系架构和数据中心网络。

个人主页：https://cseweb.ucsd.edu/~yiying/

Jishen Zhao

机构：加州大学圣地亚哥分校
研究课题：基于语义的大型语言模型文档结构识别

Jishen Zhao 为加州大学圣地亚哥分校计算机科学与工程系助理教授。她本科和硕士均毕业于浙大、博士毕业于宾夕法尼亚州立大学。主要研究兴趣包括计算机体系架构和系统研究，重点研究内存和存储系统、机器学习和系统协同设计，以及可靠性。

个人主页：https://cseweb.ucsd.edu/~jzhao/

Ben Zhao

机构：芝加哥大学
研究课题：深度神经网络的数字取证

Ben Zhao 是芝加哥大学计算机科学系的 Neubauer 教授。从事过 P2P 网络、在线社交网络、动态频谱、图形挖掘和建模、用户行为分析等多个领域。自 2016 年以来，他一直专注于机器学习和可穿戴系统的安全和隐私研究，包括身份验证、生物识别。

个人主页：http://people.cs.uchicago.edu/~ravenben/

Heather Zheng

机构：芝加哥大学
研究课题：深度神经网络的数字取证

Haitao (Heather) Zheng 现为芝加哥大学 Neubauer 教授。她于 1999 年在马里兰大学获得电子和计算机工程博士学位。在 2017 年加入芝加哥大学之前，她在业界实验室（贝尔实验室和微软亚洲研究院）工作了 6 年，并在加州大学圣巴巴拉分校工作了 12 年。在芝加哥大学，她与 Ben Y. Zhao 教授共同领导 SAND 实验室（系统、算法、网络和数据方向）。

个人主页；http://people.cs.uchicago.edu/~htzheng/

朱俊彦

机构：CMU
研究课题：大规模生成模型的组合个性化

朱俊彦，CMU 计算机科学学院助理教授。在加入 CMU 之前，他曾任 Adobe Research 的研究科学家和 MIT CSAIL 的博士后研究员。他先后在清华大学和加州大学伯克利分校获得了本科和博士学位。他的研究兴趣在于计算机视觉、计算机图形学和机器学习。他曾是 Facebook 奖学金、ACM SIGGRAPH 杰出博士论文奖以及加州大学伯克利分校 EECS David J. Sakrison 杰出博士研究纪念奖的获得者。他参与的作品曾获得过英伟达先锋研究奖和 SIGGRAPH 2019 实时直播秀的最佳表演奖和观众选择奖、入选了 Popular Science 颁发的 2019 年度百大最伟大创新。

个人主页：https://www.ri.cmu.edu/ri-faculty/jun-yan-zhu/

Jia Zou

机构：亚利桑那州立大学
研究课题：加速机器学习推理查询的编译框架

Jia Zou 为亚利桑那州立大学终身助理教授，此前，她在清华大学获得计算机科学博士学位。她的研究兴趣包括数据库系统、数据库中的 AI/ML 以及将 AI/ML 应用于数据库等。此外，她还在 VLDB、SIGMOD、VLDB、ICDCS、ICDM 等发表论文 20 余篇，获得专利 15 项。其研究获得了 VLDB 2019 最佳论文荣誉提名奖和 SIGMOD 2020 突出研究奖。

个人主页：https://search.asu.edu/profile/3502000

Sicun Gao

机构：加州大学圣地亚哥分校
研究课题：蒙特卡罗树决策方法

Sicun Gao 现为加州大学圣地亚哥分校计算机科学与工程系助理教授。他博士毕业于 CMU，师从 Edmund Clarke、 Jeremy Avigad 教授；曾就读于北京大学，获得北大逻辑学学士、数学学士学位。

Sicun Gao 致力于研究围绕计算系统的决策、控制和设计方面出现的 NP-hard 搜索和优化问题。其研究的最终目标是构建有用的自动化和自主形式，并且这些形式从根本上来说是可靠的。

个人主页：https://scungao.github.io/

Limin Jia

机构：CMU
研究课题：通过程序合成实现一行 rust 验证

Limin Jia 为 CMU 的一名研究教授，她在普林斯顿大学获得计算机科学博士学位，在中国科学技术大学获得计算机科学与工程学士学位。Limin Jia 主要研究内容包括软件安全的形式化，特别是将形式化逻辑应用于构建具有已知安全保证的软件系统。

个人主页：https://www.ece.cmu.edu/directory/bios/jia-limin.html

Xiaorui Liu

机构：北卡罗来纳州立大学
研究课题：基于页面显示的推荐和广告的深度强化学习混合排序

Xiaorui Liu 于 2022 年 8 月加入北卡罗来纳州立大学，担任计算机科学系助理教授。2022 年，他在密歇根州立大学获得了计算机科学博士学位。此前，他在华南理工大学获得了硕士和学士学位。他的研究兴趣包括大规模机器学习、可信人工智能和图深度学习。

个人主页：https://www.csc.ncsu.edu/people/xliu96

汤继良

机构：密歇根州立大学
研究课题：基于页面显示的推荐和广告的深度强化学习混合排序

汤继良是密歇根州立大学计算机科学和工程系的 University Foundation Professor。他曾担任同一部门副教授（2021-2022）和助理教授（2016-2021）。在此之前，他是雅虎研究院的研究科学家，2015 年在亚利桑那州立大学获得博士学位。研究兴趣包括社会计算、数据挖掘和机器学习以及它们在教育和生物领域的应用。

个人主页：https://www.cse.msu.edu/~tangjili/

Fan Zhang

机构：布里斯托大学
研究课题：扩展参数空间中的通用深度视频质量评估

Fan Zhang 是布里斯托尔大学电气和电子工程系的视觉通信讲师、视觉信息实验室和布里斯托尔视觉研究所成员。他参与了许多关于视频压缩、质量评估和创意技术的研究项目。

个人主页：https://fan-aaron-zhang.github.io/

产业青年学者亚马逊

相关技术

知识图谱

字节跳动机构

北京字节跳动科技有限公司成立于2012年，是最早将人工智能应用于移动互联网场景的科技企业之一，是中国北京的一家信息科技公司，地址位于北京市海淀区知春路甲48号。其独立研发的“今日头条”客户端，通过海量信息采集、深度数据挖掘和用户行为分析，为用户智能推荐个性化信息，从而开创了一种全新的新闻阅读模式

https://bytedance.com

朱俊彦人物

MIT电气工程与计算机科学系计算机科学与人工智能实验室博士后。研究重点：计算机视觉、计算机图形学、机器学习。CycleGAN的作者，曾获得ACM SIGGRAPH 2018最佳博士论文奖。

来源：个人主页 Jun-Yan Zhu

区块链技术

区块链是用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。中本聪在2008年，于《比特币白皮书》中提出“区块链”概念，并在2009年创立了比特币社会网络，开发出第一个区块，即“创世区块”。

来源：维基百科

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

数据分析技术

数据分析是一类统计方法，其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系，并绘制出统计信息图，以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据，以便弄清哪些是同质的，从而更好地了解数据。数据分析可以处理大量数据，并确定这些数据最有用的部分。

来源：维基百科

深度强化学习技术

强化学习（Reinforcement Learning）是主体（agent）通过与周围环境的交互来进行学习。强化学习主体（RL agent）每采取一次动作（action）就会得到一个相应的数值奖励（numerical reward），这个奖励表示此次动作的好坏。通过与环境的交互，综合考虑过去的经验（exploitation）和未知的探索（exploration），强化学习主体通过试错的方式（trial and error）学会如何采取下一步的动作，而无需人类显性地告诉它该采取哪个动作。强化学习主体的目标是学习通过执行一系列的动作来最大化累积的奖励（accumulated reward）。一般来说，真实世界中的强化学习问题包括巨大的状态空间（state spaces）和动作空间（action spaces），传统的强化学习方法会受限于维数灾难（curse of dimensionality）。借助于深度学习中的神经网络，强化学习主体可以直接从原始输入数据（如游戏图像）中提取和学习特征知识，然后根据提取出的特征信息再利用传统的强化学习算法（如TD Learning，SARSA，Q-Learnin）学习控制策略（如游戏策略），而无需人工提取或启发式学习特征。这种结合了深度学习的强化学习方法称为深度强化学习。

来源：Scholarpedia

计算机图形技术

图像数据处理、计算机图像（英语：Computer Graphics）是指用计算机所创造的图形。更具体的说，就是在计算机上用专门的软件和硬件用来表现和控制图像数据。

来源：维基百科

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

参数技术

在数学和统计学裡，参数（英语：parameter）是使用通用变量来建立函数和变量之间关系（当这种关系很难用方程来阐述时）的一个数量。

来源：维基百科

数据科学技术

数据科学，又称资料科学，是一门利用数据学习知识的学科，其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术，包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

来源：维基百科

表征学习技术

在机器学习领域，表征学习（或特征学习）是一种将原始数据转换成为能够被机器学习有效开发的一种技术的集合。在特征学习算法出现之前，机器学习研究人员需要利用手动特征工程（manual feature learning）等技术从原始数据的领域知识（domain knowledge）建立特征，然后再部署相关的机器学习算法。虽然手动特征工程对于应用机器学习很有效，但它同时也是很困难、很昂贵、很耗时、并依赖于强大专业知识。特征学习弥补了这一点，它使得机器不仅能学习到数据的特征，并能利用这些特征来完成一个具体的任务。

来源：Wikipedia

计算机视觉技术

计算机视觉（CV）是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

来源：机器之心

数据库技术

数据库，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据运行新增、截取、更新、删除等操作。所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

来源：维基百科

数据挖掘技术

数据挖掘（英语：data mining）是一个跨学科的计算机科学分支它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。数据挖掘过程的总体目标是从一个数据集中提取信息，并将其转换成可理解的结构，以进一步使用。

来源：维基百科

云计算技术

云计算（英语：cloud computing），是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

来源：Cloud Computing

逻辑技术

人工智能领域用逻辑来理解智能推理问题；它可以提供用于分析编程语言的技术，也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑（Propositional Logic ）以及一阶逻辑（FOL）等谓词逻辑。

来源：机器之心

操作系统技术

操作系统（英语：operating system，缩写作 OS）是管理计算机硬件与软件资源的计算机程序，同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置内存、决定系统资源供需的优先次序、控制输入与输出设备、操作网络与管理文件系统等基本事务。操作系统也提供一个让用户与系统交互的操作界面。

来源：百度百科

查询技术

一般来说，查询是询问的一种形式。它在不同的学科里涵义有所不同。在信息检索领域，查询指的是数据库和信息系统对信息检索的精确要求

来源：Wikipedia

信号处理技术

信号处理涉及到信号的分析、合成和修改。信号被宽泛地定义为传递“关于某种现象的行为或属性的信息（如声音、图像和生物测量）”的函数。例如，信号处理技术用于提高信号传输的保真度、存储效率和主观质量，并在测量信号中强调或检测感兴趣的组件。我们熟悉的语音、图像都可以看做是一种信号形式。因此，对于语音、图像的增强、降噪、识别等等操作本质上都是信号处理。

来源：Roland Priemer (1991). Introductory Signal Processing. World Scientific. p. 1. ISBN 9971509199.

自然语言处理技术

自然语言处理（英语：natural language processing，缩写作 NLP）是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

来源：维基百科

人机交互技术

人机交互，是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器，也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流，并进行操作。小如收音机的播放按键，大至飞机上的仪表板、或是发电厂的控制室。

来源：维基百科

深度神经网络技术

深度神经网络（DNN）是深度学习的一种框架，它是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。

来源：机器之心 Techopedia

语言模型技术

语言模型经常使用在许多自然语言处理方面的应用，如语音识别，机器翻译，词性标注，句法分析和资讯检索。由于字词与句子都是任意组合的长度，因此在训练过的语言模型中会出现未曾出现的字串(资料稀疏的问题)，也使得在语料库中估算字串的机率变得很困难，这也是要使用近似的平滑n元语法(N-gram)模型之原因。

来源：维基百科

联邦学习技术

如何在保护数据隐私、满足合法合规要求的前提下继续进行机器学习，这部分研究被称为「联邦学习」（Federated Learning）。

量子计算技术

量子计算结合了过去半个世纪以来两个最大的技术变革：信息技术和量子力学。如果我们使用量子力学的规则替换二进制逻辑来计算，某些难以攻克的计算任务将得到解决。追求通用量子计算机的一个重要目标是确定当前经典计算机无法承载的最小复杂度的计算任务。该交叉点被称为「量子霸权」边界，是在通向更强大和有用的计算技术的关键一步。

来源：活在实验室还是实现霸权？揭开当前量子计算技术进展之谜|机器之心

自监督学习技术

一个例子中的内容特别多，而用一个例子做一个任务，就等于把其他的内容浪费了，因此我们需要从一个样本中找出多个任务。比如说遮挡图片的一个特定部分，用没遮挡部分来猜遮挡的部分是一个任务。那么通过遮挡不同的部分，就可以用一个样本完成不同任务。Yann Lecun描述的这个方法被业界称作「自监督学习」

常识推理技术

常识推理是人工智能（AI）的一个分支，它关注模拟人类每天遇到的普通情境的类型和本质的假设。这些假设包括对人和物体的物理特性，目的，意图和行为的判断，以及他们的行为和相互作用的可能结果。展示常识推理的设备将能够预测结果并得出类似于人类民间心理学（人类对人们的行为和意图进行推理的天生能力）和天真物理学（人类对物理世界的自然理解）的结论。

来源：维基百科

程序合成技术

在计算机科学中，程序合成是自动构建满足给定高级规范的程序的任务。

来源：维基百科

北京大学机构

北京大学创办于1898年，初名京师大学堂，是中国第一所国立综合性大学，也是当时中国最高教育行政机关。辛亥革命后，于1912年改为现名。2000年4月3日，北京大学与原北京医科大学合并，组建了新的北京大学。原北京医科大学的前身是国立北京医学专门学校，创建于1912年10月26日。20世纪三、四十年代，学校一度名为北平大学医学院，并于1946年7月并入北京大学。1952年在全国高校院系调整中，北京大学医学院脱离北京大学，独立为北京医学院。1985年更名为北京医科大学，1996年成为国家首批“211工程”重点支持的医科大学。两校合并进一步拓宽了北京大学的学科结构，为促进医学与人文社会科学及理科的结合，改革医学教育奠定了基础。

官网，http://www.pku.edu.cn/