-
Notifications
You must be signed in to change notification settings - Fork 58
Commit
This commit does not belong to any branch on this repository, and may belong to a fork outside of the repository.
Merge pull request #70 from KAI-AVG/main
modify 导师招生广告 and update 院校解析
- Loading branch information
Showing
6 changed files
with
232 additions
and
47 deletions.
There are no files selected for viewing
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| Original file line number | Diff line number | Diff line change |
|---|---|---|
| @@ -0,0 +1,11 @@ | ||
| --- | ||
| title: 上海Ai-Lab邵婧 | ||
| --- | ||
|
|
||
| [26科研实习]上海AI Lab上交/复旦联培PhD/Intern/RA招生 (大模型安全可信方向) | ||
|
|
||
| ### 导师简介： | ||
| 邵婧，博士毕业于香港中文大学MMLab，曾任商汤科技研究总监，现任上海人工智能实验室青年科学家，兼上海交通大学、复旦大学博士导师，负责研究自主、可控、可信AI，聚焦多种模态大模型及智能体安全评估与价值对齐相关研究工作。十五年以来长期从事大规模多模态感知理解及应用安全分析，相关研究在计算机视觉、机器学习、自然语言处理等领域国际顶会/期刊TPAMI, IJCV, CVPR, ACL, ICLR, NeurIPS, ICML累计发表论文50余篇，谷歌引用9000余次，其中发表于ACL2024论文获得Outstanding Paper Award。研究成果已授权专利20余项，并在智慧城市、智慧交通、智能手机等产业领域落地验证，曾获2022年度“深圳人工智能科技进步奖”。[个人主页](https://amandajshao.github.io/)。 | ||
|
|
||
| ### 招生信息 | ||
| 感谢阅读，如果你对本课题组感兴趣，请通过邮件联系[email protected]并随信附上你的简历、成绩单和任何其它你认为有益于我了解你的信息。建议有兴趣的同学尽早与我联系，优秀的大二大三实习生有机会成为联培博士，计算资源充足和待遇丰厚。 |
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| Original file line number | Diff line number | Diff line change |
|---|---|---|
| @@ -0,0 +1,64 @@ | ||
| --- | ||
| title: 北京前沿交叉学科研究院张文涛 | ||
| --- | ||
|
|
||
| 北大国际机器学习研究中心张文涛教授团队招收研究助理（RA）/ 实习生若干。对于推免/申 | ||
| 请考核制的博士生/硕士生，建议提前进组联系实习。 | ||
|
|
||
| ### 导师简介 | ||
| 张文涛，北京大学国际机器学习研究中心助理教授、研究员、博士生导师，曾任职于腾讯机器 | ||
| 学习平台部、Apple AIML和加拿大 Mila 人工智能实验室。研究兴趣为以数据为中心的机器 | ||
| 学习（Data-centric ML, DCML）、图机器学习、机器学习系统和交叉学科应用（如 | ||
| Diffusion、多模态和 AI4Science）。他近 5年在机器学习 （ICML/NeurIPS/ ICLR）、数据 | ||
| 挖掘（SIGKDD/WWW）和数据管理（SIGMOD/VLDB/ICDE）等领域发表 CCF-A 类论文 | ||
| 50余篇，也担任多个国际顶会（VLDB/NeurIPS/WWW 等）的 PC Member/Area Chair。 | ||
| 他获得多个最佳论文奖（如第一作者获 WWW'22 Best Student Paper Award 和 通讯作者 | ||
| 获 APWeb-WAIM'23 Best Paper Runner Up Award），领导或参与开源了多个机器学习系 | ||
| 统，如大规模图学习系统 SGL、分布式机器学习系统 Angel （GitHub 6.7k star）、和黑盒优 | ||
| 化系统 OpenBox。他曾获 2021 年度亚太地区唯一的 Apple Scholar、世界人工智能大会云 | ||
| 帆奖、北京大学/北京市/中国人工智能学会优秀博士学位论文奖、2023中国电子学会科技进 | ||
| 步一等奖等等多项荣誉。 | ||
|
|
||
| ### 加入课题组的优势 | ||
|
|
||
| 1. 研究方向： | ||
| - 课题组的研究方向(如大模型数据侧、生成式AI和 AI4Science)都是学术界/工业界热 | ||
| 点 | ||
| - 作为一线青椒，我善于发现和提炼好的研究问题和方向(在学术内卷的时代，找到 | ||
| Practical 有Impact但Under-explored 新问题比在老问题上卷新方法可能更有意义，也 | ||
| 更容易出成果） | ||
| 2. 学生指导： | ||
| - 每周按小方向组会分享（线下：静园六院208，线上：腾讯会议）和讨论 | ||
| - 安排经验丰富的师兄/师姐带入门，遇到技术细节问题，随时讨论(也可微信随时找我) | ||
| - 有完善的科研入门文档，根据每位学生的基础、兴趣和未来规划针对性选择方向，一对一指导（至少meeting 1 次/周，合作超过1年以上的学生，一般都有一作顶会投稿/发表） | ||
| - 作为同龄人：会换位思考，讨论学习、生活、工作和职业规划，尊重学生想法成为朋友 | ||
| 3. 资源优势: | ||
| - 充界合作伙伴（如Apple、腾讯、华为、上海AI Lab、百川智能、字节、快手和蚂蚁等）Research实习和工作推荐。可以使用工业界算力、数据和好的研究问题，积累实习经历； | ||
| - 学术合作：学术界合作伙伴（如Mila、 Stanford、ETH、 HKUST、 NUS 和UQ等）交流机会； | ||
| - 助研津贴。 | ||
| 4. 其他：有愉快的氛围，定期组织团建（羽毛球、徒步和聚餐等），自愿参加。 | ||
|
|
||
| ### 招生简介 | ||
|
|
||
| 1. General DCML：近些年来 Al 模型发展遇到了瓶颈，大部分 SOTA 模型（如ChatGPT 和 | ||
| SAM）都是沿用2017年提出的Transformer 结构，性能收益来源由模型—>数据。课题组主 | ||
| 要考虑优 Data quality, quantity 和 efficiency，以较低成本和较短时间来获得大量高质量数 | ||
| 据。以大模型（如ChatGPT）为例，在考虑数据获取成本和效率的前提下，设计高效的数据处理 | ||
| 方法（如过滤、去重和降噪），研究科学和系统的数据质量评估体系和策略，探索更有效的数 | ||
| 据合成（如合成和增强）方式，构建有效的数据抽取（如RAG、分布匹配和数据配比)方式。 | ||
| 2. DCML Applications： | ||
| - For Science: AI4Science 是人工智能和 Science 交叉领域，也是目前学术界和工业界前 | ||
| 沿的热点方向。课题组主要以数据为中心，研究和设计高效的 Science 数据（如蛋白质和分子）构建和预处理方式，以及分子建模与生物制药等交叉应用。 | ||
| - For AIGC充足算力：丰富的计算资源（如 80GB Tesla A100/H100集群） | ||
| - 业界合作：工业Diffusion Model：扩散模型是当前最热门的生成模型，其应用领域包含了 | ||
| CV.NLP 以及交叉学科等，课题组主要探究以数据为中心，将扩散模型如何更好地应用于各种复杂数据生成场景，如文生图、文生视频、可控3D生成、多模态学习等。 | ||
| 3. DCML Systems: ML System 是人工智能和计算机系统的交叉领域，也是目前计算机系统研究前沿的热点方向。我们课题组主要考虑从系统层面来支持DCML任务，如支持多种类型（如Graph和Text）的数据格式，支持大规模数据的处理（如Distributed ML），以及降低系统的使用门槛（如AutoML）等。针对大模型数据侧，课题组也在开发能支持多种数据类型、大规模数据的DCML系统，涵盖大模型数据处理、合成、质量评估、以及数据抽取等多个方面。 | ||
|
|
||
| ### 招生要求 | ||
| 需要至少满足以下一个要求，满足多个要求者优先考虑： | ||
| 1. 作为主要作者在顶级会议（如ICML/NeurIPS/ICLR/CVPR/ICCV/WWW/KDD/SIGMOD/VLDB等）发表过论文； | ||
| 2. 有机器学习基础，有相关研究和开源项目经验，并熟练掌握PyTorch等工具使用； | ||
| 3. 在科技公司或研究机构有过实习经历，对机器学习的应用有系统深刻理解，并在实习阶段取得过突出成果； | ||
| 4. 在Kaggle、天池和OGB等比赛中取得过良好成绩；有ACM/NOI/NOIP等信息学竞赛训练经历，有扎实的编程基础； | ||
| 6. 对机器学习基础研究和应用有浓厚兴趣，愿意独立思考，足够Self-motivated并渴望做出有影响力的科研成果。 | ||
|
|
Oops, something went wrong.