XiaoMi-AI文件搜索系统
World File Search SystemICML
内容 - 学生积极寻找全职职位...
多视图分析的合作学习D. Ding，B。Narasimhan，R。Tibshirani，国家科学院论文集（PNAS），2022年。机器学习引导的脂质纳米粒子设计用于mRNA Delivery D. Ding，Y。Zhang，Y。Jia，J。太阳。ICML计算生物学研讨会，2023年。使用图表来处理缺失的数据学习X. MA*，J。you*，D。ding*，M。Kochenderfer，J。Leskovec。神经，2020年。（*同等贡献）ngboost：概率预测的自然梯度提升T. Duan，A。Avati，D。Ding，S。Basu，A。Ng，A。Schuler。ICML，2020。通过电子健康记录数据D. Ding，C。Simpson，S。Pfohl，D。Kale，K。Jung，Jung，N。Shah，多任务学习在表型中的有效性。太平洋生物计算研讨会，2019年，聚光灯介绍。胸部X光片诊断的深度学习：Chexnext算法与执业放射学家P. Rajpurkar的回顾性比较，…，D。Ding，…，A。Ng。PLOS Medicine，2018年。由麻省理工学院技术评论和斯坦福新闻报道。学习总结放射学发现Y. Zhang，D。ding，T。Qian，C。Manning，C。Langlotz。关于健康文本挖掘和信息分析的国际研讨会，EMNLP，2018年，Spotlight演示文稿。经验
altschuler_CV.pdf
SIAM 数据科学数学杂志（SIMODS）、机器学习研究杂志（JMLR）、计算数学基础（FOCM）、数学规划（MAPR）、运筹学（OR）、统计年鉴（AoS）、信息与推理、自动控制学报（TACON）、决策与控制会议（CDC）、神经信息处理系统（NeurIPS）、国际机器学习会议（ICML）、学习理论会议（COLT）、离散算法研讨会（SODA）、计算理论研讨会（STOC）、计算机科学基础研讨会（FOCS）、美国数学学会书籍章节等。
Chien -Ming Huang-约翰·霍普金斯计算机科学
– Program committee member / reviewer for ACL (2023, 2020, 2017, 2016, 2014, 2013, 2012, 2011, 2010, 2009, 2007, 2005, 2004, 2003, 2002), AISTATS (2010), COLING (2014, 2012, 2008), EAAI (2013), EACL (2012, 2006, 2003, 1999), EMNLP (2018, 2017, 2016, 2014, 2013，2012，2011，2011，2010，2010，2008，2008，2007，2006，2003，2002 - 2018，2010中的“最佳审稿人”奖项，FSMNLP（2005，2001），ICGI（2012），ICFP（2008），ICLR（2008），ICLR（ICLR（2017），2017年），ICML（2019，2016，2016，2004）； NAACL (2016, 2015, 2013, 2012, 2010, 2009, 2006), NeurIPS (2020, 2019, 2018, 2017, 2016, 2014, 2013, 2011, 2010, 2007), NLP-LING (2010), SCiL (2020, 2018), SIGMOR- PHON (2023, 2019, 2018, 2014, 2012, 2010, 2008, 2006, 2004, 2002, 2000, 1998年），WINLP - 卫生NLP研讨会（2023，2021，2019，2018，2018，2017），ACL统计NLP和加权自动机（Statfsm）（2016）（2016），ACL关于NLP（unsnlp）的神经疗法中的语言结构相关性的ACL相关性（2011年） ACL关于NLP和CL教学的ACL讲习班（2024、2013、2008、2005、2002），CVPR结构化预测的研讨会（2013年），ICML关于依次模型预测的关于预测的研讨会（2013），国际惯例会议，依赖性语言学的国际会议（2011年），关于对Slavic语言学的诉讼，对Slavic Linguisticals的For-Mal of-Mal of-Mal of-Mal Intershop。
Runlong Zhou (周润龙)
3。脱离Bellman的完整性：通过基于模型的返回条件的监督学习[链接] Zhaoyi Zhou，Chuning Zhu，Runlong Zhou，Qiwen Cui，Abhishek Gupta，Simon S. Du ICLR 2024 2024年海报我们研究了Al Al Al Al的长度和弱点。4。强化方差学习中的尖锐方差界限：在随机和确定性环境中两全其美[link] Runlong Zhou，Zihan Zhang，Simon S. Du ICML 2023海报我们提供了一个系统的研究研究，对基于模型和模型的强化学习的方差依赖性遗憾界限，用于制作模型和模型的增强范围。 提出的基于模型的算法既适用于随机和确定性MDP。 5。 潜在马尔可夫决策过程的依赖于方差的和无水平的加固学习[链接] Runlong Zhou，Ruosong Wang，Simon S. Du ICML 2023海报我们为潜在MDPS提供了算法框架（可见上下文），从而实现了第一台无线的最小值遗憾。 我们通过使用对称技术为LMDP提供了一种新颖的LMDP遗憾下限来补充这项研究。 6。 了解在线组合优化的政策优化中的课程学习[链接] Runlong Zhou，Zelin HE，Yuandong Tian，Yi Wu，Yi Wu，Simon S. DU TMLR我们制定了典范的在线组合优化问题，作为潜在的MDP，并为LMDPS的自然政策梯度提供了融合。 我们通过相对条件数的角度显示了课程学习的有效性。 7。强化方差学习中的尖锐方差界限：在随机和确定性环境中两全其美[link] Runlong Zhou，Zihan Zhang，Simon S. Du ICML 2023海报我们提供了一个系统的研究研究，对基于模型和模型的强化学习的方差依赖性遗憾界限，用于制作模型和模型的增强范围。提出的基于模型的算法既适用于随机和确定性MDP。5。依赖于方差的和无水平的加固学习[链接] Runlong Zhou，Ruosong Wang，Simon S. Du ICML 2023海报我们为潜在MDPS提供了算法框架（可见上下文），从而实现了第一台无线的最小值遗憾。我们通过使用对称技术为LMDP提供了一种新颖的LMDP遗憾下限来补充这项研究。6。了解在线组合优化的政策优化中的课程学习[链接] Runlong Zhou，Zelin HE，Yuandong Tian，Yi Wu，Yi Wu，Simon S. DU TMLR我们制定了典范的在线组合优化问题，作为潜在的MDP，并为LMDPS的自然政策梯度提供了融合。我们通过相对条件数的角度显示了课程学习的有效性。7。Stochastic Shortest Path: Minimax, Parameter-Free and Towards Horizon-Free Regret [Link] Jean Tarbouriech*, Runlong Zhou* , Simon S. Du, Matteo Pirotta, Michal Valko, Alessandro Lazaric NeurIPS 2021 Spotlight, 3 % acceptance rate We propose an algorithm (EB-SSP) for SSP problems, which is the first to achieve minimax optimal regret while无参数。
Yuke Zhu
[97] Soroush Nasiriany*，Fei Xia*，Wenhao Yu*，Ted Xiao*，Jacky Liang，Ishita Dasgupta，Annie Xie，Danny Driess，Ayzaan Wahid，ayzaan Wahid，Zhuo XU，Zhuo Xu，Quan Vuong，Quan Vuong，Quan Vuong，Tingnan Zhang，tingnan Zhang pere pere，pere pere，pere thang pere des pere gee deed pere， Xu，Sean Kirmani，Yuke Zhu，Andy Zeng，Karol Hausman，Nicolas Heess，Chelsea Finn，Sergey Levine，Brian Ichter*。Pivot：迭代视觉提示引起了VLMS的知识知识。国际机器学习会议（ICML），2024年。
决策的生成模型ICLR'24研讨会建议
Roberta Reareanu是Meta的研究科学家，也是UCL的名誉讲师。她从纽约大学获得了计算机科学博士学位，在那里她从事深度强化学习的概括。目前，她通过培训反馈和与外部工具，环境和人类的互动来培训他们，从而增强基础模型，从而增强基础模型。罗伯塔（Roberta）先前已经在ICML 2021上的无监督RL（URL）的研讨会，开放式的代理人学习（芦荟）（芦荟）在ICLR 2022和Neurips 2023以及2023年NEURIPS 2023的社会负责语言模型研究工作室。
事实说明书-ICLR 2024
概率建模是我们对世界提出推论的最基本方式之一。本文率先将深度学习与可扩展的概率推断（通过所谓的重新聚集技巧摊销的平均场变异推断），从而产生了变异自动编码器（VAE）。这项工作的持久价值植根于其优雅。用于开发VAE的原则加深了我们对深度学习与概率建模之间相互作用的理解，并引发了许多随后的有趣概率模型和编码方法的发展。Rezende等人的并发工作。还提出了在ICML 2014上发表的题为“随机反向传播和深层生成模型中的近似推断”的论文中。
XIJIE HUANG
·提议的随机差异量化（SDQ）[ICML 2022]，一种有效的和有效的混合精确定量量化技术优于·提出了有效的变异感知视觉变压器（VIT）量化框架[TMLR]。这是分析和定位VIT量化变化的第一项工作。我们对VIT的变化的解决方案导致在不同的VIT模型（DEIT，SWIN，SRET）跨Imagenet-1k数据集上的最新精度。·通过核心选择[TMLR]提出一个新的角度，以提高量化感知训练的效果。我们的方法可以在ImageNet-1k数据集上获得4位RESNET-18的68.39％，仅10％子集。
Xuan Kan
IEEE 知识与数据工程学报（ TKDE ） 2023 第三十六届神经信息处理系统会议（ NeurIPS ） 2023 网络会议（ WWW ） 2022、2023 人工智能会议、社会影响人工智能特别轨道（ AAAI ） 2023 ACM SIGKDD 知识发现与数据挖掘会议（ SIGKDD ） 2022 SIAM 国际数据挖掘会议（ SDM ） 2022 信息与知识管理会议（ CIKM ） 2022 IEEE 大数据学报（ Big Data ） 2021、2022 IEEE 神经网络与学习系统学报（ TNNIS ） 2022 医疗保健中的可解释机器学习研讨会@ICML 2021、2022、2023 自动医疗诊断的计算机视觉研讨会@ICCV 2022