2019腾讯犀牛鸟精英人才培养计划课题介绍（五）—机器学习及其相关应用研究

腾讯高校合作

发布于 2019-01-07 11:21:24

9710

发布于 2019-01-07 11:21:24

精英人才培养计划是一项校企联合人才培养项目，入选学生将受到业界顶尖技术团队与高校导师的联合指导及培养。培养期间，学生将获得3个月以上到访腾讯开展科研访问的机会，基于真实产业问题及海量数据，验证学术理论、加速成果应用转化、开阔研究视野。同时项目组将引进沟通技巧、商业分析、创新思维等定制课程，定期举办线上线下交流活动，全面提升学生综合素质。入选学生还将获得线上实名社群平台“十分精英圈”的在线访问权限，结识志同道合的科研伙伴，获取业界信息及资源。

今年共有10大方向，81个子课题

申报截止日期：2019年1月28日

同学们，抓紧时间申报哦

下面让我们一起来看看第五个方向吧

机器学习及其相关应用研究

5.1

神经网络结构搜索关键技术研究（地点：深圳）

神经网络结构搜索（Neural Architecture Search, NAS）是目前机器学习领域中的一个重要研究方向。本课题旨在对NAS进行理论和实践的探索，并对NAS技术在模型压缩、目标检测和图像分割等具体应用问题上的可行解决方案和理论边界做出探索，以期待推动NAS领域的研究进展。

导师简介

导师1：

腾讯高级研究员，博士毕业于清华大学电子工程系，研究方向为自动化机器学习和推荐系统算法。目前已经在JMLR、TPAMI、IJCV、ICML、CVPR、IJCAI、AAAI等顶级期刊和会议上发表文章，并且长期担任NIPS、ICML、ICLR、CVPR、ICCV、ECCV、AAAI、AISTATS等会议的审稿人。

导师2：

腾讯高级研究员，中国科学院自动化所研究所博士毕业。主要的研究方向为深度学习模型压缩与大规模分布式学习，在JMLR、ICML、CVPR、AAAI等期刊和会议上有多篇论文发表。

导师3：

腾讯专家研究员，博士毕业于南洋理工大学。在JMLR、 ICML、KDD 等处发表90余篇论文，被引用2700多次。此外，是JMLR、TPAMI、ICML、NIPS等的审稿人或程序委员，担任《Neurocomputing》的Associate Editor。目前研究集中在AutoML，包括：超参优化、网络结构搜索及元学习等。

5.2

图卷积神经网络（地点：深圳）

传统神经网络限制在欧几里德域的数据，其最显著的特征就是有规则的空间结构，但是很难应用到非欧几里德域的数据，比如图（Graph）数据。研究的主要方向是设计基于图的神经网络来利用非结构化数据。

导师简介

腾讯高级研究员，本科毕业于上海交通大学密西根联合学院，硕博就读于美国康涅狄格大学（University of Connecticut）计算机系。目前从事机器学习和医疗大数据分析等方面研究工作，尤其是针对含有图结构或时序结构等复杂结构的数据的分析与处理，以及医疗领域的生存分析研究。迄今为止，在国际权威期刊和会议上共发表学术论文十几篇。在ICML、SIGKDD、AAAI、BIBM 等顶级会议上均有发表论文。

5.3

深度学习在异构时间序列数据上的应用（地点：深圳）

在医疗领域，我们能收集到很多异构时间序列数据。如何利用这些数据对病人状态进行预测是一个具有临床价值的问题。这一研究的主要目的是设计基于无/弱监督深度学习模型来建模复杂异构时序数据，对病人状态进行的预测分析。

导师简介

腾讯高级研究员，中国香港中文大学系统工程与工程管理系博士。主要研究方向是图理论及数据挖掘，基于图的大规模分布式机器学习，社交网络分析与推荐系统。在数据挖掘/机器学习顶级会议 KDD、WWW、NIPS 、CIKM、DASFAA 均有发表论文。曾经担任 KDD、WWW、CIKM、WSDM、SDM、AAAI 等会议以及VLDBJ、TKDE 等期刊审稿人。

5.4

强化学习在即时策略游戏中的核心问题研究（地点：深圳）

本课题将探索强化学习在复杂即时战略游戏中（如星际争霸 2、Dota 2 等）的几个核心难题：1.在复杂且未知MDP 下如何结合 Model-Free 和 ModelBased方法做Implicit Long-Term Planning，实现在即时策略游戏中真正的长远策略性博弈（非Reactive）。2.如何更有效地表达或编码人的“常识”及和强化学习算法的有机结合等。3.多人游戏背景下，多智能体的协作等。

导师简介

腾讯高级研究员，北京大学毕业。曾在视觉多媒体，机器学习等方向顶会上发表多篇论文。目前的研究兴趣为深度强化学习。

5.5

自我学习在MOBA游戏中的核心问题研究（地点：深圳）

本课题将探索自我学习在MOBA游戏（如星际争霸、Dota、Doom）中的几个核心难题：1.大规模分布式强化学习系统的搭建，以及使用其进行Self-Play训练中的Reward Shaping、Temporal Credit Assignment，和有效采样等重要问题。2.在极复杂动作空间、极稀疏奖赏、部分可观测的 MDP 下，如何更高效地进行复杂策略的深度探索和自我学习。3.自我对局学习中的博弈论应用和研究。

导师简介

导师1：

腾讯高级研究员，清华大学博士毕业，加入腾讯之前分别于康奈尔大学和罗格斯大学从事博士后研究工作。在包括ICML在内的业内顶级会议上发表了多篇论文。目前的研究兴趣为深度增强学习和计算机视觉。

导师2：

腾讯专家研究员，美国威斯康辛大学麦迪逊分校博士，主要研究领域为深度强化学习和计算机视觉，及其在游戏 AI 和机器人中的应用，并在相关领域（CVPR、ICCV、ICML、AAAI）发表论文10余篇。

5.6

游戏AI在下一代游戏制作中的前沿研究（地点：深圳）

本课题将探索游戏AI 在下一代游戏制作中的若干前沿问题：1.高质量的游戏内容生成，包含高仿真动画制作（表情、动作）、地图、关卡、规则、3D 模型等自动生成。2.游戏的自动测试和评估，包含平衡性、完整性、鲁棒性等。3.从游戏数据中自动建模和学习有效策略和类人行为。本课题将关注深度强化学习、图形仿真模拟、计算机视觉、深度学习等多个领域在游戏 AI 中的应用，进行研究突破。

导师简介

腾讯专家研究员，美国威斯康辛大学麦迪逊分校博士。主要研究领域为深度强化学习和计算机视觉，及其在游戏AI 和机器人中的应用，并在相关领域（CVPR、 ICCV、ICML、AAAI）发表论文10余篇。

5.7

延迟反馈预估问题（地点：深圳）

在推荐领域的在线学习场景，经常会遇到样本延迟反馈问题。本课题将关注在模型训练和预估时，如何考虑到样本的延迟达到，延迟反馈模型如何与深度学习和在线学习模型联合预估等课题的研究。

导师简介

腾讯高级研究员，博士毕业于日本东京大学计算机系，毕业后留校任助理教授。主要研究方向为计算机视觉、广告点击率预估优化、强化学习及其应用等。曾在 ACCV、VAST 等多个国际会议及期刊上发表论文，担任过 PRL、 IROS 等多项期刊及会议的审稿人。

5.8

小样本订单快速学习问题（地点：深圳）

在推荐领域的在线学习场景，有些Item数据量小，对其点击率预估不稳定，收敛不好。本课题将围绕如何在保证整体Bias稳定的前提下，对小样本的Item也能预估更准，并能控制模型复杂度，快速学习应用于现网在线学习场景。

导师简介

腾讯高级研究员，华中科技大学数学与应用数学、生物医学工程专业获博士学位。博士期间主要从事医学图像重建算法、优化算法的正则化方法研究，以第一作者发表A类期刊论文3篇。目前主要从事广告点击率预估和在线学习算法研究。

5.9

深度强化学习方法在视频游戏中的应用（地点：深圳）

利用深度强化学习方法实现视频游戏 AI 时，存在决策深度大、奖励稀疏、动作空间大、拟人等问题，需要通过引入如分层模型、课程学习、专家知识等思路对问题进行简化，改善模型收敛性能。

导师简介

腾讯高级研究员，毕业于新加坡国立大学，目前从事游戏 AI 研发，游戏数据挖掘等工作。参与包括英雄联盟、王者荣耀、穿越火线、QQ飞车等 20 余款端手游的项目研发。

5.10

神经网络轻量化压缩和加速技术研究（地点：上海）

近年来，随着深度学习在语音识别、计算机视觉等领域取得显著进展，在资源有限的移动平台上部署深度神经网络模型的需求越来越高。然而考虑到卷积神经网络巨大的计算量和模型大小，在嵌入式平台上部署这些复杂的神经网络变得异常困难。本课题主要研究神经网络轻量化模型设计、神经网络量化训练、模型蒸馏、剪枝等常用神经网络模型压缩和加速的基本思路和方法，并在神经网络模型稀疏化（Winograd域、时域）、轻量化神经网络架构搜索、基于强化学习、AutoML 的自动模型压缩等方向进行研究突破。

导师简介

腾讯高级研究员，毕业于浙江大学，在腾讯从事多年机器学习方向工作。目前主要研究领域是机器学习平台搭建、大规模分布式系统设计、深度模型结构设计、深度模型量化训练、超参数学习等方面研究。

5.11

深度学习与高性能异构计算技术研究（地点：上海）

本课题围绕深度学习在高性能异构计算平台的性能优化展开研究：1.深入研究高性能计算平台体系结构，利用线程级、数据级、指令级并行策略，将深度学习算法在平台上的性能发挥到极致。2.针对不同的平台体系结构特点，研究不同深度模型结构的性能表现，并针对平台特点对模型性适当调整，实现算法的软硬件一体化调优。

导师简介

导师1：

腾讯高级研究员，毕业于北京航空航天大学，先后在NVIDIA和腾讯从事多年高性能计算、机器学习、自动驾驶等方向工作。目前主要研究领域是高性能计算、CPU/GPU/DSP 平台体系结构、深度学习等方面。

导师2：

腾讯高级研究员，毕业于东南大学，先后在海康威视、Omnivison、腾讯从事计算机视觉、高性能计算方向工作。主要研究方向是深度学习平台、嵌入式系统、边缘计算等。

5.12

神经网络自动设计与调参（地点：深圳）

随着Google AutoML的推出，神经网络的设计由人工转向自动。但是这项技术离实际应用还有非常大的距离，比如，如何解决搜索时间过长以及消耗资源非常大的问题，如何使得搜索出来的网络便于优化到不同的设备上等。本课题将依托实验室在不同业务场景中的积累，探索一套具有工业界实际应用价值的神经网络自动射击和调参系统出来。

导师简介

腾讯高级研究员，本科与硕士分别毕业于浙江大学，博士毕业于中国香港中文大学，主要从事计算机视觉相关研究。在国际顶级会议和期刊（如CVPR、NIPS、ICCV、 ECCV、SIGGRAPH、TPAMI、IJCV 等）发表超过20篇论文，并为其担任审稿人。获得多项国际知名视觉比赛冠军。目前主要从事图像视频理解和自动驾驶等方面的研发工作。