2021腾讯犀牛鸟精英科研人才培养计划课题（五）——机器学习及其相关应用研究
2021腾讯犀牛鸟精英科研人才培养计划课题（五）——机器学习及其相关应用研究
12月11日，2021年腾讯犀牛鸟精英科研人才培养计划正式对外发布。计划截止申报时间为2021年1月28日24:00。
本年度精英科研人才计划将延续人工智能领域顶尖科研人才培养，发布包含机器人、AI医疗、量子计算、智慧城市等12个前沿热议方向，71项研究课题。入选学生将由校企导师联合制定专属培养计划，并获得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。同时项目组将为学生搭建线上和线下学习、交流平台，帮助学生挖掘更多潜能。
本期小编整理了该计划中“方向5：机器学习及其相关应用研究”，欢迎感兴趣的学生关注。
更多课题及方向介绍陆续推出，敬请关注。
（点击了解“犀牛鸟精英科研人才培养计划申请指南”）
方向5
机器学习及其相关应用研究
课题5.1：强化学习在农业全自动控制中的优化应用（地点：深圳）
以自动化温室为代表的农业控制问题本质上是一个POMDP（部分可观察马尔可夫决策过程），AI+农业课题创新地把作物仿真模型和真实自动化温室结合到统一的开发平台，为解决自动化温室控制提供一条新的解决思路。能充分利用高效的计算机运算能力，加快农业技术迭代速度，优化种植效率，突破人类种植经验局限。农作物生长周期长且数据成本高，对算法（尤其是强化学习算法）提出根本性的挑战，如样本效率、鲁棒性、可迁移性等。同时本课题致力于针对现实农业场景提出解决方案，机器学习理论、园艺学、传感器、农业作物模型、计算机视觉、植物病理学等各学科都有相应的潜在应用，能充分体现学科交叉的优越性。
导师简介：
腾讯专家研究员，本科毕业于浙江大学，于美国德州大学阿灵顿分校获计算机博士学位，在人工智能、大数据等领域顶级会议和杂志上发表40余篇学术论文。
课题5.2：在线广告场景中的多任务学习（地点：深圳）
在线广告场景下的转化有多种不同的类型，比如下载App、注册账号、购买等。我们需要用多任务学习来同时对多种类型的转化进行建模。该问题的主要挑战在于任务之间有相关性/冲突，各任务的样本空间不一致，样本量不平衡，正样本比例差别大等。本课题旨在探索一种有效且低复杂度的多任务学习方法，解决上述挑战，获得各个任务效果的普遍提升。
导师简介：
腾讯专家研究员，中国人民大学硕士。主要研究方向为广告点击/转化预测、多任务学习、在线广告机制策略等。目前主要研究方向为在线广告点击率/转化率预测中的挑战，包括多任务学习、转化延迟、小样本学习、联邦学习等。在SIGKDD、WWW、WSDM、CIKM等发表论文8篇，申请美国专利5项，担任WWW、Ad-KDD、DLP-KDD等PC Member。
课题5.3：基于强化学习（RL）与生成对抗学习（GAN）的半监督学习（地点：深圳）
微信生态中的文本处理有很多的分类问题，比如低俗识别，作弊识别。但每隔一段时间分类器会面临新的问题，之前分类模型的所用的标注数据就不能覆盖到，导致分类模型对未来数据的泛化性教低。（目前已有的文本分类识别是基于历史的人工标注数据训练模型），因此考虑通过少量人工标注数据，从大量未标注数据中，自动挑选标注出新问题的相关样本进行模型训练（强化学习与生成对抗学习相结合），可以大幅度降低人力的标注压力，可以对多种分类器都会带来迭代的效率。两个主要的优化点：自动标注器使用强化学习policy gradient方法进行最优化，半监督判别器+分类器使用GAN的对抗学习思想进行优化。应用到微信生态的文本，视频（亿级的量）的相关分类模型，对搜一搜，看一看提供基础的识别能力。
导师简介：
腾讯专家研究员，毕业于美国斯蒂文斯理工（机器学习方向），并在UPENN从事1年智能推荐的博士后工作。发表20篇以上学术论文，曾指导团队发表多篇AI领域的顶会论文。
课题5.4：多智能体对抗问题中自对弈策略的研究（地点：深圳）
在研究多智能体对抗问题时，经常通过自对弈的方法进行AI模型的训练，本课题关注于如何根据实际问题，通过机器学习、博弈论等方法，找到可以最大化训练效率的自对弈策略，包括但不限于迭代停止条件，对手模型选择策略等。
导师简介：
腾讯专家研究员，博士毕业于新加坡国立大学工业与系统工程系。从事人工智能技术在游戏研发和运营中的落地应用，与多款热门游戏有紧密合作。
课题5.5：深度学习在软件安全领域的应用研究（地点：上海/北京）
随着软件复杂度的不断提升，大规模源代码和二进制软件的漏洞挖掘工作面临新的机遇和挑战。该项目希望把深度学习相关技术（例如自然语言处理、图神经网络、深度强化学习等）应用于软件安全研究中，其成果可以对传统的逆向工程、模糊测试、漏洞挖掘等有较大促进。建议研究方向：1、计算机语言的表征和分类研究，例如识别二进制软件对应的编译器、编译优化选项、第三方库、开发作者等信息；2、计算机语言的自动生成和翻译技术研究，例如自动生成用于编译器（解释器）模糊测试的符合语法结构的程序代码；利用机器翻译技术实现二进制和源代码之间的相互翻译工作；3、基于程序语义表征的安全属性分析研究，例如代码相似性分析、API误用分析、已知/未知漏洞检索等。
导师简介：
腾讯专家工程师，毕业于上海交通大学。长期从事于把程序分析相关技术应用于软件安全和漏洞挖掘领域。目前主要研究兴趣是把自然语言处理、图神经网络等机器学习技术应用于程序语言的安全分析。研究成果发表在信息安全领域Black Hat和人工智能领域AAAI、NeurIPS等会议。
课题5.6：AI算法自动化（地点：上海）
联合培养期间，学生将接触AI自动化学习算法，包括AutoML、模型压缩、协作学习和迁移学习。在AutoML领域，我们将探索NAS、HPO等自动化搜索方法在各类任务上的应用。在模型压缩领域，我们将优化自动化紧凑模型的设计方法。在协作学习领域，我们将深度研究如何创建更好的Teacher-student网络训练模式使得单个网络能获得最大的表征能力，通过计算资源换效果。在迁移学习领域，我们会深度探索如何更高效的利用Cross-domain的无标注样本解决领域迁移问题。
导师简介：
腾讯专家研究员，博士毕业于香港大学，研究领域包括机器学习和计算机视觉等。主导包括医疗图像识别、ReID和AI自动化等多项关键技术的落地。相关成果发表于TPAMI、NeurIPS、CVPR、ECCV、AAAI等顶会顶刊，在工业界和学术界都产生了较大影响。
课题5.7：神经网络跨平台自动编译优化技术研究（地点：上海）
本课题研究深度学习模型的自动编译优化技术的研究。结合优图业务落地场景，针对常用神经网络，基于业界领先TVM、XLA等框架应用自动编译优化技术，在ARM/X86/NVIDIA平台达到自动图优化、自动算子生成、自动kernel选取的能力，降低算子优化人力成本。
导师简介：
腾讯高级工程师，毕业于上海交通大学通信工程专业，负责构建统一的推理框架TNN，满足算法模型跨平台&高性能快速部署需求。对深度学习框架架构、CPU加速、GPU加速、AI芯片加速、模型量化压缩等均有深入研究。
课题5.8：实验数据的画像下钻分析（地点：深圳）
AB test 结果的数据维度下钻分析：Heterogeneous treatment effects，HTE 找到影响实验结论的主要特征的组合。HTE结论和随机流量实验结合，优化实验结论，比如Uplift模型方法。
导师简介：
腾讯专家工程师，腾讯微信实验平台研发负责人。研究方向为统计推断、序列化检验、因果推断。
课题5.9：App自动化测试工具（地点：广州）
目前App测试存在场景复杂、用例构造不全面、回归成本高等问题，希望通过引入可行的算法，在更多可能的角度进行测试，发现更多有价值的Bug，有效地提升App测试的效率，降低投入的成本。
导师简介：
腾讯高级工程师，毕业于中山大学计算机软件与理论专业。目前主要负责App测试工作，包括UI和接口自动化测试、性能测试、Monkey测试、用例自动修复等方向。通过多种技术手段降低用例的编写和维护成本，提升自动化测试的效率，保障业务产品高时效、高质量地发布。
项目申报方式
— 科研人才培养计划 —
手机扫码进入“预申报”，可获得更多项目通知
PC端访问网址，进入“申报”
https://www.withzz.com/project/detail/99
2021年度犀牛鸟精英人才培养计划
本年度犀牛鸟精英人才培养计划包括“犀牛鸟精英科研人才培养计划”和“犀牛鸟精英工程人才培养计划”两部分。其中科研人才计划旨在为致力于前沿科学研究的学生提供更优质的创新科研平台，助力其借助产业真实场景及海量数据，将理论研究和实践结合，验证学术理论，发表论文和专利。工程人才计划旨在以产业真实项目为牵引，在校企双导师指导下，模拟产业研发场景，组建学生研发团队，通过持续深入的挑战进阶式课题目标达成，培养学生系统性思维，拓展前沿技术视野，提升团队协作水平、解决复杂问题等核心创新能力。
2021腾讯犀牛鸟精英科研人才培养计划课题了解：
了解犀牛鸟精英计划更多详情：
2021腾讯“犀牛鸟精英人才培养计划”申请启动
2021腾讯“犀牛鸟精英科研人才培养计划”申报指南
2021腾讯“犀牛鸟精英科研人才培养计划”FAQ
2021腾讯“犀牛鸟精英工程人才培养计划”申报指南
2021腾讯“犀牛鸟精英科研人才培养计划”FAQ
点击“阅读原文”，进入预申报