高效鲁棒机器学习研究合作计划

学术奖学金获得者

Minsu Kim
攻读电气与计算机工程博士学位，研究方向为构建绿色、可持续且鲁棒的联邦学习解决方案。研究涵盖联邦学习算法全生命周期，包括数据采集、算法模型设计、训练及推理/再训练过程，致力于提升所有采用联邦学习与无线通信的AI嵌入式产品的实际效益。

Ying Shen
攻读计算机科学博士学位，专注于自然语言处理（NLP）与多模态信息研究。致力于开发更类人的交互式智能体，增强其对周围环境的理解、解释和推理能力。

教师研究奖项获得者

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评判》
开发创新半参数化对话框架，通过动态检索和整合多源信息增强生成模型，提升对话智能体对开放域主题的适应性和可扩展性；利用大规模预训练模型的指令调优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：《精准数据采集与剪枝：提升机器学习效率与鲁棒性的战略》
开发战略性数据采集与剪枝技术，通过优化高价值数据收集、消除冗余数据点，提升训练效率并应对数据质量挑战，评估其对计算成本、模型性能及鲁棒性的影响。

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》
结合强化学习与博弈论开发创新框架，解决交互系统安全设计与利益相关方对齐问题，特别关注推荐系统领域的应用。

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》
设计能追踪环境长期变化的具身AI智能体，建模多物体物理属性随智能体动作的演变过程，通过次优演示学习多模态奖励函数以适应人类偏好。

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医疗、金融等领域的信息准确性挑战，提出基于语言模型自对话的新事实核查方法，自动验证生成响应并提供证据支持。

技术合作方向

该合作计划重点关注以下机器学习技术领域：

• 联邦学习系统的可持续性与鲁棒性优化
• 自然语言处理与多模态交互技术
• 数据采集策略与模型训练效率提升
• 强化学习在交互系统中的应用
• 具身AI的环境感知与适应能力
• 生成式对话系统的事实核查机制

---

合作计划致力于推动机器学习系统鲁棒性研究，同时开发跨领域具有社会影响力的AI应用。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
公众号二维码