清华姚班毕业的斯坦福博士陈丹琦入选Google AI2021研究学者计划

来源：新智元

今天，Google AI宣布了其去年推出的「研究学者计划（Research Scholar Program）」获得者。

作为该计划的第一年，他们授予了包括机器学习、人机交互、自然语言处理、系统等77个奖项，包括代表15个以上国家和50多所大学的86名主要研究人员。

其中，清华姚班出身、斯坦福博士毕业的美女计算机科学家陈丹琦因「提高NLP模型的训练和推理效率（Improving Training and Inference Efficiency of NLP Models）」成为获得者之一。

另外，奖项也有多位华人／华裔入选，Google AI 授予的资金将高达6万美元，旨在支持教授的研究进展。

清华姚班出身、斯坦福博士毕业的美女计算机科学家陈丹琦

陈丹琦，2012 年清华大学计算机姚班学士，2018 年斯坦福大学博士。

去斯坦福大学攻读计算机博士学位的她，成为自然语言处理泰斗Christopher Manning的学生，也已发表数篇有影响力的论文。

2019年，她加入普林斯顿NLP小组，与Sanjeev Arora、Christiane Fellbaum、Karthik Narasimhan一起工作。目前，她是普林斯顿大学的助理教授，专注于人工智能领域的自然语言处理（NLP）。

她也曾是Facebook AI Research（FAIR）的访问科学家。

说到陈丹琦与谷歌的交集，著名的SyntaxNet就是基于陈丹琦和其导师Christopher Manning开发的算法，它被称为「全球最精准自然语言解析器」。

并且，谷歌于2016年5月开源了SyntaxNet。

SyntaxNet是一个框架，即学术圈所指的SyntacticParser，他是许多NLU系统中的关键组件。在这个系统中输入一个句子，他会自动给句子中的每一个单词打上POS（part-of-Speech）标签，用来描述这些词的句法功能，并在依存句法树中呈现。这些句法关系直接涉及句子的潜在含义。

而且，她那篇长达 156 页的毕业论文Neural Reading Comprehension and Beyond, 也曾轰动一时。

作为曾经的IOI选手，还有一种强大而有趣的算法——CDQ分治就以陈丹琦的名字命名，这是一种主要用于解决偏序问题，通过对一维进行排序再对其它维度进行分治的算法。

值得一提的是，2017年8月，新智元还曾对她的导师Chris Manning教授进行了专访。

在采访中，Manning教授指出，虽然深度学习是研究NLP的好方法，但目前为止NLP从深度学习的收益更多是来自分布式词汇表示（distributed word representation），而非真正的深度学习，真正的深度学习使用更抽象的表征构建的层次来促进泛化。但是，他对此表示乐观，「我们现在仍处于这一波深度学习复兴浪潮的初期」。同时，他认为构建深度学习系统的方法本身就很有用，不仅局限于NLP。

清华小学弟，杜克大学新晋博士陈廷钧

陈廷钧2014年获得中国清华大学电子工程学士学位，2015年获得哥伦比亚大学电子工程硕士学位，还是Columbia FlexICoN项目的学生联合负责人，2020年于杜克大学取得博士学位，主要研究方向为无线网络和系统，主要包括物联网（IoT）、能量收集网络、全双工无线、大型天线系统、毫米波网络、光无线网络和边缘云计算。

他在校期间获得了Facebook的网络和连通性奖学金，魏氏家族私人基金会（WFPF）奖学金，哥伦比亚工程学奥斯卡奖和Verna Byron奖学金，以及哥伦比亚大学电气工程学的阿姆斯特朗纪念奖和雅各布·米尔曼奖。还获得了ACM CoNEXT 2016最佳论文奖和ACM MobiHoc 2019最佳论文入围奖。

他也将于2021年秋季加入杜克大学的电气和计算机工程系，担任助理教授。

本次Google将资助他在机器学习和基于光学技术的移动毫米波网络的研究。

获奖者列表（部分）

算法及优化 Algorithms and Optimization

Alexandros Psomas, 普渡大学

独立拟线性投标人外的拍卖理论Auction Theory Beyond Independent, Quasi-Linear Bidders

Julian Shun, 麻省理工大学

可扩展的并行子图查找和剥离算法Scalable Parallel Subgraph Finding and Peeling Algorithms

Mary Wootters, 斯坦福大学

冗余在算法设计中的作用The Role of Redundancy in Algorithm Design

Pravesh K. Kothari, 卡内基梅隆大学

稳健的机器学习的高效算法 Efficient Algorithms for Robust Machine Learning

Sepehr Assadi, 罗格斯大学

通过改进的大规模并行算法实现大规模图聚类Graph Clustering at Scale via Improved Massively Parallel Algorithms

增强现实和虚拟现实Augmented Reality and Virtual Reality

Srinath Sridhar，布朗大学

互动对象的感知和生成Perception and Generation of Interactive Objects

地理Geo

Miriam E. Marlier, 加利福尼亚大学洛杉矶分校

在谷歌地球引擎中绘制加州的复合气候灾害地图Mapping California’s Compound Climate Hazards in Google Earth Engine

Suining He, 康涅狄格大学

面向城市智能交通系统的公平性感知和跨模式交通学习与预测模型研究Fairness-Aware and Cross-Modality Traffic Learning and Predictive Modeling for Urban Smart Mobility Systems

自然语言处理Natural Language Processing

陈丹琦, 普林斯顿大学

提高NLP模型的训练和推理效率Improving Training and Inference Efficiency of NLP Models

Derry Tanti Wijaya, 波士顿大学, Anietie Andy, 宾夕法尼亚大学

通过框架分析探讨种族偏见随时间推移的演变情况Exploring the evolution of racial biases over time through framing analysis

Eunsol Choi, 德克萨斯州大学奥斯汀分校

在野外回答信息查询问题Answering Information Seeking Questions In The Wild

Kai-Wei Chang, 加利福尼亚大学洛杉矶分校

经过认证的鲁棒性，以防止跨语言传输中的语言差异Certified Robustness to against language differences in Cross-Lingual Transfer

Mohohlo Samuel Tsoeu, 开普敦大学

收集语料库，并对伊西霍萨语、塞索托语和南非手语进行完整的自然语言处理Corpora collection and complete natural language processing of isiXhosa, Sesotho and South African Sign languages

Natalia Diaz Rodriguez, University of Granada (Spain) + ENSTA, Institut Polytechnique Paris, Inria. Lorenzo Baraldi, 摩德纳－雷焦·艾米里亚大学

SignNet：通过调整多模态手势，实现聋人无障碍内容的民主化SignNet: Towards democratizing content accessibility for the deaf by aligning multi-modal sign representations

机器学习和数据挖掘Machine Learning and Data Mining

Aravindan Vijayaraghavan,西北大学，Sivaraman Balakrishnan, 卡内基梅隆大学

测试时间稳健性学习的原则性方法Principled Approaches for Learning with Test-time Robustness

Cho-Jui Hsieh, 加利福尼亚大学洛杉矶分校

神经网络优化器的可扩展性和可调整性Scalability and Tunability for Neural Network Optimizers

Golnoosh Farnadi,蒙特利尔大学, 蒙特利尔高等商学院/蒙特利尔学习算法研究所 (Mila - Quebec AI Institute)

解决以决策为中心的深度学习中的算法公平性问题Addressing Algorithmic Fairness in Decision-focused Deep Learning

Harrie Oosterhuis, 内梅亨大学

从不同的用户偏好中学习的搜索和推荐系统Search and Recommendation Systems that Learn from Diverse User Preferences

Jimmy Ba, 多伦多大学

基于模型的因果世界模型的强化学习Model-based Reinforcement Learning with Causal World Models

Nadav Cohen, 特拉维夫大学 

深度学习的动态理论A Dynamical Theory of Deep Learning

Nihar Shah, 卡内基梅隆大学

解决分布式人类决策中的不公平问题Addressing Unfairness in Distributed Human Decisions

Nima Fazeli,密歇根大学

可变形对象操纵的半隐式方法Semi-Implicit Methods for Deformable Object Manipulation

Qingyao Ai, 犹他大学

度量无关的排名优化Metric-agnostic Ranking Optimization

Stefanie Jegelka, 麻省理工大学

分布转移下的图神经网络的泛化研究Generalization of Graph Neural Networks under Distribution Shifts

Virginia Smith, 卡内基梅隆大学

可信的联合学习的多任务方法A Multi-Task Approach for Trustworthy Federated Learning

请辍阅读原文查看2021年获奖者的完整名单：

https://ai.googleblog.com/

这项工作的重点是发展与新教授的合作，鼓励与学术界形成长期关系。他们在去11月就开启了该计划的首次提案征集活动，收到了来自从事计算机科学众多研究领域前沿研究的教师的热烈兴趣。

在86名获奖者中，43%的人认为自己是科技界历史上被边缘化的群体。

Google AI 表示，

我们鼓励全球范围内在大学任教并符合资格要求的教授提交申请。我们希望这个项目能够帮助发展与新教授的合作，并鼓励形成长期的关系。

奖金是作为不受限制的礼物向大学发放的，并不打算用于管理费用或间接费用。这些奖金用于支持教授的研究工作，在提供奖金的学年内使用。

资格标准

开放给大学或学位授予研究机构的教授（助理、副教授等）。

申请人必须在提交申请后7年内获得博士学位（如2020年的申请人必须在2013年或以后获得博士学位）。如果申请人从事教学工作7年或不足7年，且有延迟，如在行业内工作、休假等，则会有例外。

申请人每轮可提交一次申请，最多可申请三次。

资助金额

授予的资金将高达6万美元，旨在支持教授的研究进展。

参考资料：

https://wimnet.ee.columbia.edu/people/current-members/tingjun-chen/

（声明：本文仅代表作者观点，不代表新浪网立场。）