¿Tsinghua Zhu Jun recluta estudiantes de posgrado?

Zhu Jun, profesor del Departamento de Ciencias de la Computación de la Universidad de Tsinghua, subdirector del Laboratorio de Cerebro e Inteligencia de la Universidad de Tsinghua, subdirector y decano del Centro de Teoría Fundamental del Instituto de Inteligencia Artificial de Tsinghua Universidad y ex director asociado del Laboratorio Estatal Clave de Tecnología y Sistemas Inteligentes, profesor adjunto en la Universidad Carnegie Mellon. Se dedica principalmente a la investigación sobre aprendizaje automático y ha publicado más de 100 artículos académicos en importantes revistas y congresos internacionales. Es editor en jefe adjunto y miembro del consejo editorial de la revista internacional IEEETPAMI, copresidente regional de la conferencia internacional ICML2014 y presidente de dominio de conferencias internacionales como ICML y NIPS. El trabajo de investigación se centra en la teoría básica, los algoritmos eficientes y las aplicaciones del aprendizaje automático, centrándose en la combinación de teoría y problemas prácticos. En vista de los * * * problemas en la investigación y utilización de estructuras ocultas de datos complejos, se estudiaron algunas cuestiones clave en el aprendizaje de estructuras y el aprendizaje estadístico basado en estructuras, y se estudiaron la teoría y el método de PAC-Bayes de 1 y el aprendizaje discriminante de máxima entropía. propuesto. 2. Inferencia bayesiana regularizada y teoría de la inferencia bayesiana no paramétrica regularizada. 3. Teoría del aprendizaje de intervalo máximo y algoritmo eficiente del modelo bayesiano. (4) Biblioteca de programación de probabilidad profunda Abacus, etc. Para muchos escenarios de aplicación típicos, como minería de datos de Internet, análisis de redes sociales, fusión de datos multimodal y recomendación de redes, combinamos la teoría básica con problemas prácticos y proponemos modelos y algoritmos informáticos efectivos. Incluyendo la aplicación de inferencia bayesiana regularizada para resolver problemas como clasificación de texto a gran escala, análisis de redes sociales, descomposición matricial de bajo rango, fusión de datos multimodal, etc., y proponiendo un algoritmo de aprendizaje eficiente. El aprendizaje discriminante estructurado de máxima entropía se utiliza para resolver problemas como la extracción de información, la extracción de relaciones entre entidades, la fusión y recuperación de datos multimodales en entornos de red. Estableció un marco de extracción de datos de red basado en estructura y múltiples modelos estadísticos, incluido StatSnowball, y solicitó 17 patentes de invención, incluidas 3 patentes estadounidenses. Los resultados de la investigación se han aplicado a múltiples motores de búsqueda de Microsoft, incluido el motor de búsqueda relacional Human Cube y el motor de búsqueda académico.