Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

AAAI 2024 Fellow公布,清华大学朱军教授入选

朱军教授加入了人工智能「名人堂」。

AAAI(Association for the Advancement of Artificial Intelligence)是国际人工智能领域最权威的学术组织之一,Fellow 是该学会给予会员的最高荣誉,仅颁给对人工智能做出「非同寻常的卓越贡献者」,而且评价时间以十年计。

由于其评判极其严格,历届 AAAI Fellow 入选者均为人工智能领域公认的著名学者,每年严格限制入选人数,因此被誉为国际人工智能领域的名人堂。

今日,AAAI 公布了 2024 年度的 Fellow 评选结果,共 12 位学者入选,其中包括清华大学教授朱军

AAAI 2024 Fellow

Anima Anandkumar 加州理工学院、英伟达

图片

入选理由:对机器学习的重大贡献,包括用于科学机器学习的神经算子和用于概率模型的张量方法。

Anima Anandkumar 教授的研究兴趣是大规模机器学习、非凸优化和高维统计领域,特别是开发和分析机器学习张量算法。Anandkumar 教授一直在研究加速非凸优化的有效技术,例如有效地逃离鞍点。

Claire Cardie 康奈尔大学

图片

入选理由:对共指消解(co-reference resolution)、信息和意见提取以及自然语言处理中的机器学习方法做出了重大贡献。

Claire Cardie 是康奈尔大学计算机科学和信息科学系的教授,主要研究领域是自然语言处理。她曾获得美国国家科学基金会职业奖(NSF CAREER award),并多次担任计算机领域顶会组委会成员和研究期刊编辑委员会成员。

Nitesh Chawla 圣母大学

图片

入选理由:在从不平衡数据中学习、图形学习以及人工智能的跨学科应用方面做出重要贡献。

Nitesh Chawla 是圣母大学计算机科学与工程系 Frank M. Freimann 教授、露西家庭数据与社会研究所所长。他还是 ACM Fellow、IEEE Fellow。

Chawla 是人工智能数据科学和网络科学方面的专家。他的研究不仅处于基本方法和算法的前沿,还在跨学科和转化方面取得了进步。此外,Chawla 还是数据科学软件和云计算公司 Aunalytics 的联合创始人。

Cristina Conati  不列颠哥伦比亚大学

图片

入选理由:对以人为本的人工智能人工智能驱动的个性化做出了重大贡献,特别是在智能辅导系统和可视化方面。

Cristina Conati 是不列颠哥伦比亚大学计算机科学教授。她在米兰大学获得计算机科学硕士学位,并在匹兹堡大学获得智能系统硕士和博士学位。

Cristina Conati 的研究处于人工智能 (AI)、人机交互 (HCI) 和认知科学的交叉点,目标是创建既能执行有用任务又能被用户广泛接受的人工智能系统,即使得人工智能系统能够预测和监控用户的相关属性(例如状态、技能、需求、情绪),并相应地个性化交互,从而最大限度地提高任务绩效和用户满意度。

Jennifer Dy 美国东北大学

图片

入选理由:对无监督和可解释的机器学习、推进人工智能以应对医疗保健挑战以及为人工智能社区提供服务做出了重大贡献。

Jennifer G. Dy 博士自 2002 年起担任马萨诸塞州波士顿东北大学电气与计算机工程系教授。她于 1993 年获得菲律宾大学电气工程系学士学位,后分别于 1997 年和 2001 年在普渡大学电气与计算机工程学院获得硕士和博士学位。2004 年,Jennifer G. Dy 博士获得了 NSF 职业奖。她的研究兴趣包括机器学习数据挖掘、统计模式识别和计算机视觉

Ariel Felner 内盖夫本・古里安大学

图片

入选理由:对启发式搜索做出了许多重大贡献。

Ariel Felner 是本古里安大学信息系统工程系的全职教授,研究领域是人工智能中的启发式搜索,包括理论基础、新的搜索算法、启发式搜索的研究和开发以及将所有这些应用于不同领域和环境。近期的研究重点是多代理路径搜索问题,该问题可以表述为单代理搜索问题和其他设置。

Kristian Kersting 达姆施塔特工业大学

图片

入选理由:对统计关系人工智能和神经符号学习的基础和应用做出了重大贡献。

Kristian Kersting 是德国达姆施塔特工业大学计算机科学系的正教授。2006 年从弗莱堡大学获得博士学位后,他曾在麻省理工学院、弗劳恩霍夫 IAIS、波恩大学和多特蒙德工业大学工作。他的主要研究方向是统计关系人工智能(AI)以及深度(概率)编程和学习,发表了 180 多篇经同行评审的技术论文。

莫萨姆(Mausam) 印度理工学院

图片

入选理由:对 NLP、规划和人类计算的贡献以及在人工智能领域的领导力。

莫萨姆是印度理工学院德里分校计算机科学教授,曾担任 Yardi AI 学院创始院长,任期至 2023 年 9 月。他还是西雅图华盛顿大学的合聘教授。莫萨姆于 2001 年获得印度理工学院德里分校理工学士学位,2007 年获得华盛顿大学博士学位,在人工智能领域有二十多年的研究经验,在许多研究领域做出了贡献,如网络上的大规模信息提取、优化众包工作流的人工智能方法以及概率规划算法。

最近,莫萨姆正在探索神经符号机器学习、放射学计算机视觉、机器人学 NLP、多语种 NLP,以及智能信息系统中的若干主题,包括信息提取、知识库补全、问题解答、总结和对话系统。他发表了 100 多篇档案论文,出版了一本专著,两次获得最佳论文奖,一次获得时间检验奖。莫萨姆于 2015 年被授予 AAAI 高级会员资格,以表彰他长期参与 AAAI 的工作以及在人工智能领域的杰出成就。

Ariel Procaccia 哈佛大学

图片

入选理由:对人工智能和社会的贡献,包括经济范式的基础工作以及对治理和群体决策的实际影响。

Ariel Procaccia 是哈佛大学计算机科学教授,同时是经济与社会研究小组(EconCS Group)的成员,研究涉及人工智能、算法、经济学和社会等一系列广泛而动态的问题。

他于 2009 年以最优等成绩获得耶路撒冷希伯来大学计算机科学博士学位,博士论文获得了 IFAAMAS Victor Lesser Distinguished Dissertation Award(自主代理和多代理系统领域最佳论文奖)。随后,他在微软和哈佛大学从事博士后研究,并获得了 Yad Hanadiv 的 Rothschild Fellowship(罗斯柴尔德奖学金)的部分资助。在 2020 年加入哈佛大学之前,他是卡内基梅隆大学计算机科学系的一名教师。

Brian Scassellati 耶鲁大学

图片

入选理由:对人机交互以及使用机器人提供认知和社会支持做出了重大贡献。

Brian Scassellati 是耶鲁大学计算机科学、认知科学和机械工程学教授,也是 NSF 社交辅助机器人考察项目负责人。

Brian Scassellati 的研究重点是建立人类社交行为的具身计算模型,尤其是早期社交技能的发展过程,其他研究兴趣包括仿人机器人、人机互动、人工智能、机器感知和社会学习。利用计算模型和社交互动机器人,Brian Scassellati 的研究评估了婴儿如何获得社交技能的模型,并协助诊断和量化社交发展障碍(如自闭症)。

Brian Scassellati 在 2001 年获得麻省理工学院计算机科学博士学位,在与 Rodney Brooks 共同完成的毕业论文(仿人机器人心智理论的基础)中,他们利用发展心理学中的模型建立了一个让机器人理解人类的原始系统。他在麻省理工学院的工作主要集中在两个著名的仿人机器人上,分别被命名为 Cog 和 Kismet。

Brian Scassellati 还拥有麻省理工学院计算机科学与电子工程硕士学位(1995 年)、计算机科学与电子工程学士学位(1995 年)和脑与认知科学学士学位(1995 年)。

Kilian Weinberger 康奈尔大学

图片

入选理由:对机器学习深度学习研究的贡献。

Kilian Weinberger 是康奈尔大学计算机科学系教授。他在牛津大学获得了数学和计算机学士学位,并在 Lawrence Saul 的指导下获得了宾夕法尼亚大学机器学习博士学位。曾多次获得 ICML(2004 年)、CVPR(2004 年、2017 年)、AISTATS(2005 年)和 KDD(2014 年亚军奖)的最佳论文奖。2012 年,Kilian Weinberger 获得了 NSF 职业奖。Kilian Weinberger 的研究重点是机器学习及其应用,特别关注资源限制下的学习、度量学习高斯过程计算机视觉深度学习。在加入康奈尔大学之前,他曾担任华盛顿大学的副教授,此前在雅虎担任研究科学家。

朱军 清华大学

图片

入选理由:对机器学习理论和实践的重大贡献。

朱军清华大学计算机系教授、人工智能研究院副院长,瑞莱智慧联合创始人兼首席科学家,曾任卡内基梅隆大学兼职教授。2001—2009 年获清华大学学士和博士学位,2011 年回清华任教。朱军教授曾获科学探索奖、中国计算机学会自然科学一等奖、吴文俊人工智能自然科学一等奖、ICLR 杰出论文奖等,曾担任 IEEE TPAMI 副主编和 ICML、NeurIPS、ICLR 等国际会议资深领域主席 / 领域主席 20 余次。

朱军教授长期从事机器学习研究,包括概率机器学习、贝叶斯方法的基础理论、高效算法和编程库,并利用贝叶斯方法研究深度神经网络的对抗鲁棒性以及复杂环境下的决策学习等问题,在 ICML、NeurIPS、KDD、JMLR、PAMI 等著名会议和期刊上发表过 100 多篇重要研究。

朱军教授曾带领团队研制「珠算」深度概率编程库、「天授」强化学习库和 Ares 对抗攻防平台,在相关领域具有深远的影响。他带领团队研制的扩散模型高效算法获得 ICLR 2022 国际会议杰出论文奖,并被 DALL・E2、Stable Diffusion 等明星项目采用。

参考内容:

https://aaai.org/about-aaai/aaai-awards/the-aaai-fellows-program/elected-aaai-fellows/

产业AAAI
相关数据
清华大学机构

清华大学(Tsinghua University),简称“清华”,由中华人民共和国教育部直属,中央直管副部级建制,位列“211工程”、“985工程”、“世界一流大学和一流学科”,入选“基础学科拔尖学生培养试验计划”、“高等学校创新能力提升计划”、“高等学校学科创新引智计划”,为九校联盟、中国大学校长联谊会、东亚研究型大学协会、亚洲大学联盟、环太平洋大学联盟、清华—剑桥—MIT低碳大学联盟成员,被誉为“红色工程师的摇篮”。 清华大学的前身清华学堂始建于1911年,因水木清华而得名,是清政府设立的留美预备学校,其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙,与北京大学、南开大学组建国立长沙临时大学,1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立,清华大学进入了新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。

http://www.tsinghua.edu.cn/
相关技术
朱军人物

朱军,清华大学计算机系长聘副教授、卡内基梅隆大学兼职教授。2001 到 2009 年获清华大学计算机学士和博士学位,之后在卡内基梅隆大学做博士后,2011 年回清华任教。主要从事人工智能基础理论、高效算法及相关应用研究,在国际重要期刊与会议发表学术论文百余篇。担任人工智能顶级杂志 IEEE TPAMI 和 AI 的编委、《自动化学报》编委,担任机器学习国际大会 ICML2014 地区联合主席, ICML (2014-2018)、NIPS (2013, 2015, 2018)、UAI (2014-2018)、IJCAI(2015,2017)、AAAI(2016-2018)等国际会议的领域主席。获 CCF 自然科学一等奖、CCF 青年科学家奖、国家优秀青年基金、中创软件人才奖、北京市优秀青年人才奖等,入选国家「万人计划」青年拔尖人才、MIT TR35 中国区先锋者、IEEE Intelligent Systems 杂志评选的「AI's 10 to Watch」(人工智能青年十杰)、及清华大学 221 基础研究人才计划。

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。

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。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

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)

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。

辅助机器人技术

辅助机器人是一种能够感知,处理感官信息并执行动作的自动化设备/机器。这种机器人用于辅助或扩展一般人类的运动和/或认知能力。面向对象可以是老年人和重度残疾人,或者单纯性辅助一般人的体力/脑力。 这种机器人设备一般强调智能化和鲁棒性维持系统的安全和灵活性,通过集成远程信息处理,机电一体化和其他技术设备(例如先进的人机界面)与人进行物理或者其他感官接触。

凸优化技术

凸优化,或叫做凸最优化,凸最小化,是数学最优化的一个子领域,研究定义于凸集中的凸函数最小化的问题。凸优化在某种意义上说较一般情形的数学最优化问题要简单,譬如在凸优化中局部最优值必定是全局最优值。凸函数的凸性使得凸分析中的有力工具在最优化问题中得以应用,如次导数等。 凸优化应用于很多学科领域,诸如自动控制系统,信号处理,通讯和网络,电子电路设计,数据分析和建模,统计学(最优化设计),以及金融。在近来运算能力提高和最优化理论发展的背景下,一般的凸优化已经接近简单的线性规划一样直捷易行。许多最优化问题都可以转化成凸优化(凸最小化)问题,例如求凹函数f最大值的问题就等同于求凸函数 -f最小值的问题。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

知识库技术

知识库是用于知识管理的一种特殊的数据库,以便于有关领域知识的采集、整理以及提取。知识库中的知识源于领域专家,它是求解问题所需领域知识的集合,包括基本事实、规则和其它有关信息。

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。

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。

高斯过程技术

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。

启发式搜索技术

计算机科学的两大基础目标,就是发现可证明其运行效率良好且可得最佳解或次佳解的算法。而启发式算法则试图一次提供一个或全部目标。例如它常能发现很不错的解,但也没办法证明它不会得到较坏的解;它通常可在合理时间解出答案,但也没办法知道它是否每次都可以这样的速度求解。

对话系统技术

对话系统大致被分成两类: 任务为导向的对话系统,帮助用户去完成特定任务,比如找商品,订住宿,订餐厅等。实现任务为导向的对话系统,主要有两类方式,流水线方法和端到端方法。非任务导向的对话系统,与用户进行互动并提供回答,简单的说,就是在开放领域的闲聊。实现非任务导向对话系统也主要可分为两类,生成方法和基于检索的方法。

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。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

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。

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。

分析机技术

分析机是由英国数学家查尔斯·巴贝奇设计的一种机械式通用计算机。从1837年首次提出这种机器的设计,一直到他去世的1871年,由于种种原因,这种机器并没有被真正的制造出来。但它本身的设计逻辑却十分先进,是大约100年后电子通用计算机的先驱。

瑞莱智慧机构

RealAI是孵化自清华大学人工智能研究院的产学研技术公司,由清华大学人工智能研究院院长张钹院士、清华大学朱军教授担任首席科学家。RealAI致力于研究和推广安全、可靠、可信的第三代人工智能,不断突破AI发展的边界。 在探索“真正”的人工智能同时,RealAI聚焦传统AI难以解决的新应用领域,依托贝叶斯深度学习等核心技术,赋能工业、金融等垂直行业。目前,RealAI与国内多家大型工业制造企业、金融机构开展合作,提供工业智能诊断分析、金融资产智能提升和人工智能系统安全防护等服务,助力企业智能化升级。

https://www.realai.ai
相关技术
度量学习技术

即学习一个度量空间,在该空间中的学习异常高效,这种方法多用于小样本分类。直观来看,如果我们的目标是从少量样本图像中学习,那么一个简单的方法就是对比你想进行分类的图像和已有的样本图像。但是,正如你可能想到的那样,在像素空间里进行图像对比的效果并不好。不过,你可以训练一个 Siamese 网络或在学习的度量空间里进行图像对比。与前一个方法类似,元学习通过梯度下降(或者其他神经网络优化器)来进行,而学习者对应对比机制,即在元学习度量空间里对比最近邻。这些方法用于小样本分类时效果很好,不过度量学习方法的效果尚未在回归或强化学习等其他元学习领域中验证。

量化技术

深度学习中的量化是指,用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

暂无评论
暂无评论~