2018 ACM博士論文獎公布！來自加州大學伯克利分校的Chelsea Finn和普林斯頓大學的Ryan Beckett和馬騰宇獲獎，其中馬騰宇畢業(yè)于清華姚班，是一位醉心于人工智能理論研究的學術新星！

今天，ACM官網(wǎng)公布了2018 ACM博士論文獎。

三位獲獎人分別是：

加州大學伯克利分校Chelsea Finn獲得2018 ACM博士論文獎；

普林斯頓大學的Ryan Beckett和馬騰宇(Tengyu Ma)獲得2018 ACM博士論文獎榮譽獎(Honorable Mentions)。

從左到右分別是：Chelsea Finn，Ryan Beckett和馬騰宇。

ACM博士學位論文獎每年向計算機科學與工程領域的最佳博士論文作者頒發(fā)一次。博士論文獎獎金2萬美元，榮譽獎獎金1萬美元。獲獎論文將作為ACM系列書籍在ACM數(shù)字圖書館發(fā)表。

姚班校友馬騰宇：醉心人工智能理論研究，姚期智贊賞

其中，獲得榮譽獎的馬騰宇本科畢業(yè)于清華大學交叉信息研究院，是2008級姚班校友！

馬騰宇是清華姚班2008級畢業(yè)生

馬騰宇的簡歷幾乎是“別人家的孩子”模板，2007 年國際中學生數(shù)學奧賽銀牌（與金牌差一分），2010 年獲得美國普特南大學生數(shù)學競賽第 8 名。本科畢業(yè)于清華大學交叉信息學院，在普林斯頓大學獲得計算機科學博士學位。

馬騰宇2017年于Allen School Colloquia

在普林斯頓讀博期間，馬騰宇師從 Sanjeev Arora 教授，已在國際頂級會議和期刊上發(fā)表高質量論文近 20 篇。

馬騰宇已發(fā)表的部分論文

跟新智元此前報道過的95后姚班校友陳立杰一樣，馬騰宇也醉心于計算機理論和人工智能理論研究。博士二年級時，馬騰宇獲得2014 理論計算機研究生 Simon 獎，他的工作致力于為機器學習問題的可證擔保開發(fā)有效的算法。

根據(jù)其個人主頁，馬騰宇的研究興趣廣泛，包括機器學習和算法方面的課題，如非凸優(yōu)化、深度學習及其理論、強化學習、表示學習、分布式優(yōu)化、凸松弛、高維統(tǒng)計等。

2017年，在談及姚班教育時，清華 “姚班” 創(chuàng)立者、中國科學院院士、中國首位圖靈獎得主姚期智先生曾高度評價這批姚班出來的學子，他說：

“在學界的，我們有好幾個做人工智能的學生，已經(jīng)在大學任教的有兩個，一個是在美國的杜克大學，一個是在美國的斯坦福大學做教授，他們都從事人工智能理論基礎方面的工作。他們在過去的四五年，在人工智能理論方面已經(jīng)非常非常出色，不然他們也不會被雇到這么有名的大學去，尤其是馬騰宇，他剛剛畢業(yè)，能夠被雇到斯坦福去，不管是中國學生還是外國學生都是非常少的?！?/p>

“他們確實可以說在人工智能領域是先驅，將來一定會在該領域留下非常深刻的痕跡”，姚期智評價道。

博士畢業(yè)后，馬騰宇獲得美國 MIT、哈佛、斯坦福、CMU、加州理工學院等頂尖高校的助理教授 Offer，馬騰宇選擇了斯坦福大學，目前是斯坦福大學計算機科學和統(tǒng)計學助理教授。

接下來，我們將分別介紹獲得ACM博士論文獎的3篇博士論文。

Chelsea Finn：開創(chuàng)性的元學習算法

加州大學伯克利分校的Chelsea Finn因其論文“Learning to Learn with Gradients”獲得2018年ACM博士論文獎。

論文地址：

https://www2.eecs.berkeley.edu/Pubs/TechRpts/2018/EECS-2018-105.html

在她的論文中，F(xiàn)inn介紹了元學習算法，這類算法使深度網(wǎng)絡能夠利用小數(shù)據(jù)集來解決新任務，并展示了她的算法如何應用于包括計算機視覺、強化學習和機器人等領域。

深度學習已經(jīng)改變了人工智能領域，并在語音識別、計算機視覺和機器人等領域取得了重大進展。然而，深度學習方法需要大型數(shù)據(jù)集，而大型數(shù)據(jù)集在醫(yī)學影像和機器人技術等領域并不容易獲得。

元學習(Meta-learning)是最近的一項創(chuàng)新技術，有望讓機器使用較小的數(shù)據(jù)集進行學習。元學習算法通過使用過去的數(shù)據(jù)來學習如何快速適應新任務，從而實現(xiàn)“l(fā)earn to learn”。然而，元學習的大部分初期工作都集中在設計越來越復雜的神經(jīng)網(wǎng)絡架構上。

在她的論文中，F(xiàn)inn介紹了一類叫做模型無關元學習(model-agnostic meta-learning, MAML)的方法，不需要計算機科學家來手工設計復雜的架構。Finn的MAML方法對該領域產(chǎn)生了巨大的影響，被廣泛應用于強化學習、計算機視覺等機器學習領域。

Chelsea Finn

Finn在很年輕的時候就已經(jīng)成為機器人學習領域知名的專家之一。她開發(fā)了一些最有效的方法來教授機器人控制和操縱物體的技能。在她的論文強調(diào)的一個例子中，她使用MAML方法來教機器人僅使用來自單個人類演示的原始相機像素，學會拿取和放置物品的技能。

Finn是谷歌大腦的研究科學家，也是伯克利人工智能研究實驗室(BAIR)的博士后研究員。2019年秋季，她將開始在斯坦福大學擔任全職助理教授。Finn在加州大學伯克利分校獲得電氣工程和計算機科學博士學位，在麻省理工學院獲得電氣工程和計算機科學學士學位。

Ryan Beckett：提高現(xiàn)代網(wǎng)絡可靠性的新原理、算法和工具

獲得2018年ACM博士論文獎榮譽獎(Honorable Mentions)的是Ryan Beckett和馬騰宇(Tengyu Ma)，他們都在普林斯頓大學獲得計算機科學博士學位。

Ryan Beckett在他的論文“Network Control Plane Synthesis and Verification”中開發(fā)了新的、通用的、有效的算法來創(chuàng)建和驗證網(wǎng)絡控制平面配置。

論文地址：

http://www.rbeckett.org/files/thesis.pdf

在論文中，Beckett說：“計算機網(wǎng)絡連接著世界上關鍵基礎設施的關鍵組成部分。一旦這樣的網(wǎng)絡配置發(fā)生錯誤，人們所依賴的許多系統(tǒng)就會中斷——飛機停飛、銀行離線等等?！?/p>

Beckett的論文描述了大幅提高現(xiàn)代網(wǎng)絡可靠性的新原理、算法和工具。在論文的前半部分，Beckett指出，沒有必要去模擬傳統(tǒng)路由器所實現(xiàn)的分布式算法——這個過程太昂貴了——相反，我們可以直接驗證這些算法最終可以收斂到何種穩(wěn)定狀態(tài)。在論文的第二部分中，他展示了如何從緊湊型高級規(guī)范生成正確的配置。

Ryan Beckett

Beckett是微軟研究院移動和網(wǎng)絡組的研究員。他在普林斯頓大學獲得計算機科學博士和碩士學位，在弗吉尼亞大學獲得計算機科學學士和數(shù)學學士學位。

馬騰宇：機器學習的非凸優(yōu)化

馬騰宇的論文《機器學習的非凸優(yōu)化：設計、分析和理解》提出了新的理論來支持機器學習的新趨勢。他介紹了證明機器學習中非凸優(yōu)化算法收斂性方面的重要進展，并概述了通過這些方法訓練的機器學習模型的性質。

論文地址：

https://dataspace.princeton.edu/jspui/bitstream/88435/dsp01th83m199d/1/Ma_princeton_0181D_12361.pdf

在論文的第一部分，馬騰宇研究了一系列問題，如矩陣填充、稀疏編碼、簡化神經(jīng)網(wǎng)絡和學習線性動力系統(tǒng)，并對設計出可證明的正確且有效的優(yōu)化算法的條件進行了清晰、自然的形式化。

在論文的第二部分，馬騰宇展示了如何理解和解釋自然語言的嵌入模型的性質，這些性質是通過非凸優(yōu)化來學習的。

馬騰宇

馬騰宇是斯坦福大學計算機科學和統(tǒng)計學助理教授。他在普林斯頓大學獲得計算機科學博士學位，在清華大學獲得計算機科學學士學位。