祝贺我系凤维明博士、叶翰嘉博士获得2021年度CCF优秀博士学位论文奖

发稿时间:2022-02-21浏览次数:10

2021 CCF颁奖典礼于2022219日在浙江横店圆明新园法国馆隆重举行。大会颁发了2021年度“中国计算机学会CCF优秀博士学位论文奖”,南京大学计算机科学与技术系博士研究生凤维明(指导教师:尹一通)的博士学位论文《吉布斯分布的局部、动态与快速采样算法》、博士研究生叶翰嘉(指导教师:姜远)的博士学位论文《开放环境下的度量学习研究》获此殊荣。该奖自设立之初就得到了微软亚洲研究院的大力支持和经费赞助。CCF理事长梅宏教授、奖励委员会主席钱德沛教授、微软亚洲研究院学术合作总监马歆女士共同为获奖者颁发了奖杯和证书。

 “CCF优秀博士学位论文”设立于2006年,表彰在计算机科学与技术领域的基础理论、关键技术或应用技术方面有重要创新的博士学位论文的作者,每年表彰不超过10名。值得一提的是,南京大学计算机科学与技术系已经连续14年共计16位博士获此殊荣。


附:

凤维明博士学位论文工作简介:

按照给定的概率分布采样随机样本是一个基本计算问题。早在上世纪40年代,冯诺依曼等计算机科学家们已经开始尝试使用基于随机采样的蒙特卡洛方法来解决物理学中的实际问题。时至今日,采样问题在计算机科学和数据科学等领域有重要而广泛的应用。

凤维明的博士论文的研究方向是理论计算机科学,具体研究课题是吉布斯分布的局部、动态与快速采样算法。吉布斯分布是一类由局部相互作用定义的高维联合分布,它起源于物理学家对粒子系统的研究,如今在机器学习、概率统计等领域被广泛应用。对于如下几类基本问题,凤维明的博士论文给出了具有严格理论保障的采样算法。

1)局部采样问题:算法在分布式网络中收集局部信息进行采样,通过并行计算加速采样过程。

2)动态采样问题:算法对动态变化的概率分布维护一个随机样本,以较低的增量复杂度处理对概率分布的每次更新。

3)快速采样问题:当概率分布的参数接近临界值时,算法在多项式时间甚至近线性时间内采样随机样本。

采样是现代计算机科学的重要计算任务。并行化、动态化以及近线性的运行时间是大数据计算对算法提出的重要要求。凤维明的博士论文不仅给出了具体的算法,更对上述问题给出了具有一般性的算法设计和分析技术。


叶翰嘉博士学位论文工作简介:

叶翰嘉博士在南京大学攻读博士学位期间从事度量学习方面的理论和算法研究。度量学习是机器学习重要的研究分支,其博士论文《开放环境下的度量学习研究》系统性地研究了样本少、噪声多、语义广等开放环境下的新型度量学习,主要创新点包括:提出了降低度量学习样本复杂度的方法,给出了更紧的理论泛化界;提出了异构任务的度量学习方法,创立了小样本度量自适应更新机制;提出了适应特征和标记噪声的度量学习方法,解决了非同分布度量学习的难题;提出了挖掘复杂语义的多度量学习方法,突破了度量学习刻画多样化语义的瓶颈。

叶翰嘉博士度量学习的系列工作受到研究人员的大量关注,并被同行跟随扩展。他的工作已被国际同行如美国 NAI 院士、AAAS/IAPR/IEEE FellowUCF 教授 M. Shah 及合作者在近期论文中用整节篇幅介绍,称其获得强(“strong”)性能。 此外,还有多篇学术会议/期刊论文明确称他的工作为“首次”(“first”)或“跟随”(“follow”)他的工作。

叶翰嘉博士提出的新型度量学习方法在华为终端手机屏幕缺陷检测、度小满语音风控评估、血清图像鉴别等实际应用场景下获得应用并实现成果转化。

叶翰嘉博士论文的工作已经在包括人工智能国际顶级期刊 TPAMI在内的CCF-A 类期刊/会议上发表第一作者论文 15 篇。博士期间获得过包括华为“耀星学者”(全国仅 2 人)等在内的多个奖项,他多次担任人工智能领域顶级会议程序委员会委员,还在 CCF大数据大会分论坛等作特邀报告并受到好评。