ACM官网公布了2018 ACM博士论文奖

2018 ACM博士论文奖公布！来自加州大学伯克利分校的Chelsea Finn和普林斯顿大学的Ryan Beckett和马腾宇获奖，其中马腾宇毕业于清华姚班，是一位醉心于人工智能理论研究的学术新星！

今天，ACM官网公布了2018 ACM博士论文奖。

三位获奖人分别是：

加州大学伯克利分校Chelsea Finn获得2018 ACM博士论文奖；

普林斯顿大学的Ryan Beckett和马腾宇(Tengyu Ma)获得2018 ACM博士论文奖荣誉奖(Honorable Mentions)。

从左到右分别是：Chelsea Finn，Ryan Beckett和马腾宇。

ACM博士学位论文奖每年向计算机科学与工程领域的最佳博士论文作者颁发一次。博士论文奖奖金2万美元，荣誉奖奖金1万美元。获奖论文将作为ACM系列书籍在ACM数字图书馆发表。

姚班校友马腾宇：醉心人工智能理论研究，姚期智赞赏

其中，获得荣誉奖的马腾宇本科毕业于清华大学交叉信息研究院，是2008级姚班校友！

马腾宇是清华姚班2008级毕业生

马腾宇的简历几乎是“别人家的孩子”模板，2007 年国际中学生数学奥赛银牌（与金牌差一分），2010 年获得美国普特南大学生数学竞赛第 8 名。本科毕业于清华大学交叉信息学院，在普林斯顿大学获得计算机科学博士学位。

马腾宇2017年于Allen School Colloquia

在普林斯顿读博期间，马腾宇师从 Sanjeev Arora 教授，已在国际顶级会议和期刊上发表高质量论文近 20 篇。

马腾宇已发表的部分论文

跟新智元此前报道过的95后姚班校友陈立杰一样，马腾宇也醉心于计算机理论和人工智能理论研究。博士二年级时，马腾宇获得2014 理论计算机研究生 Simon 奖，他的工作致力于为机器学习问题的可证担保开发有效的算法。

根据其个人主页，马腾宇的研究兴趣广泛，包括机器学习和算法方面的课题，如非凸优化、深度学习及其理论、强化学习、表示学习、分布式优化、凸松弛、高维统计等。

2017年，在谈及姚班教育时，清华 “姚班” 创立者、中国科学院院士、中国首位图灵奖得主姚期智先生曾高度评价这批姚班出来的学子，他说：

“在学界的，我们有好几个做人工智能的学生，已经在大学任教的有两个，一个是在美国的杜克大学，一个是在美国的斯坦福大学做教授，他们都从事人工智能理论基础方面的工作。他们在过去的四五年，在人工智能理论方面已经非常非常出色，不然他们也不会被雇到这么有名的大学去，尤其是马腾宇，他刚刚毕业，能够被雇到斯坦福去，不管是中国学生还是外国学生都是非常少的。”

“他们确实可以说在人工智能领域是先驱，将来一定会在该领域留下非常深刻的痕迹”，姚期智评价道。

博士毕业后，马腾宇获得美国 MIT、哈佛、斯坦福、CMU、加州理工学院等顶尖高校的助理教授 Offer，马腾宇选择了斯坦福大学，目前是斯坦福大学计算机科学和统计学助理教授。

接下来，我们将分别介绍获得ACM博士论文奖的3篇博士论文。

Chelsea Finn：开创性的元学习算法

加州大学伯克利分校的Chelsea Finn因其论文“Learning to Learn with Gradients”获得2018年ACM博士论文奖。

论文地址：

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

在她的论文中，Finn介绍了元学习算法，这类算法使深度网络能够利用小数据集来解决新任务，并展示了她的算法如何应用于包括计算机视觉、强化学习和机器人等领域。

深度学习已经改变了人工智能领域，并在语音识别、计算机视觉和机器人等领域取得了重大进展。然而，深度学习方法需要大型数据集，而大型数据集在医学影像和机器人技术等领域并不容易获得。

元学习(Meta-learning)是最近的一项创新技术，有望让机器使用较小的数据集进行学习。元学习算法通过使用过去的数据来学习如何快速适应新任务，从而实现“learn to learn”。然而，元学习的大部分初期工作都集中在设计越来越复杂的神经网络架构上。

在她的论文中，Finn介绍了一类叫做模型无关元学习(model-agnostic meta-learning, MAML)的方法，不需要计算机科学家来手工设计复杂的架构。Finn的MAML方法对该领域产生了巨大的影响，被广泛应用于强化学习、计算机视觉等机器学习领域。

Chelsea Finn

Finn在很年轻的时候就已经成为机器人学习领域知名的专家之一。她开发了一些最有效的方法来教授机器人控制和操纵物体的技能。在她的论文强调的一个例子中，她使用MAML方法来教机器人仅使用来自单个人类演示的原始相机像素，学会拿取和放置物品的技能。

Finn是谷歌大脑的研究科学家，也是伯克利人工智能研究实验室(BAIR)的博士后研究员。2019年秋季，她将开始在斯坦福大学担任全职助理教授。Finn在加州大学伯克利分校获得电气工程和计算机科学博士学位，在麻省理工学院获得电气工程和计算机科学学士学位。

Ryan Beckett：提高现代网络可靠性的新原理、算法和工具

获得2018年ACM博士论文奖荣誉奖(Honorable Mentions)的是Ryan Beckett和马腾宇(Tengyu Ma)，他们都在普林斯顿大学获得计算机科学博士学位。

Ryan Beckett在他的论文“Network Control Plane Synthesis and Verification”中开发了新的、通用的、有效的算法来创建和验证网络控制平面配置。

论文地址：

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

在论文中，Beckett说：“计算机网络连接着世界上关键基础设施的关键组成部分。一旦这样的网络配置发生错误，人们所依赖的许多系统就会中断——飞机停飞、银行离线等等。”

Beckett的论文描述了大幅提高现代网络可靠性的新原理、算法和工具。在论文的前半部分，Beckett指出，没有必要去模拟传统路由器所实现的分布式算法——这个过程太昂贵了——相反，我们可以直接验证这些算法最终可以收敛到何种稳定状态。在论文的第二部分中，他展示了如何从紧凑型高级规范生成正确的配置。

Ryan Beckett

Beckett是微软研究院移动和网络组的研究员。他在普林斯顿大学获得计算机科学博士和硕士学位，在弗吉尼亚大学获得计算机科学学士和数学学士学位。

马腾宇：机器学习的非凸优化

马腾宇的论文《机器学习的非凸优化：设计、分析和理解》提出了新的理论来支持机器学习的新趋势。他介绍了证明机器学习中非凸优化算法收敛性方面的重要进展，并概述了通过这些方法训练的机器学习模型的性质。

论文地址：

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

在论文的第一部分，马腾宇研究了一系列问题，如矩阵填充、稀疏编码、简化神经网络和学习线性动力系统，并对设计出可证明的正确且有效的优化算法的条件进行了清晰、自然的形式化。

在论文的第二部分，马腾宇展示了如何理解和解释自然语言的嵌入模型的性质，这些性质是通过非凸优化来学习的。

马腾宇

马腾宇是斯坦福大学计算机科学和统计学助理教授。他在普林斯顿大学获得计算机科学博士学位，在清华大学获得计算机科学学士学位。