铸星计划 | 人工智能星河下，邀你共建“大数据时代的新理论研究”

2022 年“铸星计划”已启动！加入微软亚洲研究院不同领域的科研团队，在世界一流的企业级研究实验室中与资深研究员们结成专属“星搭档”；在自由宽松的研究氛围中，和科研团队一起开展人工智能等前沿领域的创新性研究，做出有影响力的学术成果……诸多“星”体验，只待你加入“铸星计划”！（点击“阅读原文”，了解项目详情和报名方式）

为了汇集群星，吸引更多志同道合的优秀青年学者，今年的“铸星计划”特别聚焦几大特别科研主题。本期推送将介绍大数据和人工智能时代的新计算理论（New Theory in Big Data Era）科研主题及相关研究员。期待与您在科研长空，共铸星光！

✦

“星”主题

✦

当前，依赖大数据、大算力、大模型打造的人工智能系统在很多领域取得瞩目的成绩。但同时由实践驱动的深度学习、强化学习等人工智能技术自身也面临发展瓶颈，而且在应用中也存在新的鲁棒性、可信性、可解释性等诸多方面的问题。突破这些困难亟需底层理论的支撑，而经典的理论计算机科学研究偏重于精巧的算法理论研究，脱离了大数据和人工智能发展的现实。

由此，我们提出“大数据和人工智能时代的新计算理论”这一研究主题，旨在促进传统理论研究与基于实践的大数据和人工智能技术的融合，期望将理论计算机科学、数学、统计学、控制论、运筹学、博弈论、复杂系统等多学科理论工具与人工智能技术有机融合，形成驱动大数据和人工智能持续发展完善的新计算理论基础。

我们重点关注以下研究课题：

• 数据驱动的优化：研究如何将数据采样、机器学习与传统优化技术相结合。 

• 深度学习理论：研究深度学习的优化泛化逼近理论及其可解释性、公平性、鲁棒性、隐私保护等可信人工智能的理论基础。 

• 强化学习理论：研究强化学习的基础理论，包括它的收敛性、泛化性、可表达性，以及它与深度学习、传统优化、知识表达、认知科学等方面的结合。 

• 动态学习理论：以动态系统的视角重新审视深度学习、强化学习等技术，并研究动态学习辅助传统科学研究的理论基础。

✦

“星”团队

✦

大数据和人工智能时代的新计算理论研究团队的使命是促进理论研究、大数据以及人工智能技术的深度融合。在推动理论研究进步的同时，团队也在加强跨学科的研究合作，从而帮助突破目前人工智能在发展中所遇到的瓶颈，实现计算机技术的进一步实质性发展。

通过下方链接，可了解研究团队及微软亚洲研究院理论中心更多信息：

https://www.microsoft.com/en-us/research/group/msr-asia-theory-center/ 

✦

“星”搭档

✦

陈卫

微软亚洲研究院高级研究员

研究兴趣 ✦

数据驱动的优化，在线学习与强化学习理论，网络科学，博弈论等。

铸星寄语 ✦

大数据和人工智能时代的新计算理论是一个宏大的目标，它需要多学科多团队的互动合作。我衷心期望通过这个“铸星计划”的研究主题能和学术界的诸多同行倾力合作，相互学习，取长补短，共同构筑新时代下的新理论，为人工智能的健康可持续发展做出贡献。 

孟琪

微软亚洲研究院主管研究员

研究兴趣 ✦

机器学习理论，微分方程求解和控制，应用机器学习建模物理系统。 

铸星寄语 ✦

由于深度神经网络在高维空间中的强大表征能力，高维非线性动力系统的高效求解及表征成为可能。为了设计计算高效且泛化性良好的深度学习模型及算法，嵌入物理先验、选择恰当的数学基组都是十分重要的。我们期待通过铸星计划，与深耕于微分方程数值解与控制论方向的老师们一起，携手探索机器学习建模物理系统以及求解微分方程的新算法，共同推进这个领域的发展。 

张辉帅 

微软亚洲研究院主管研究员

研究兴趣 ✦

深度学习理论，优化算法以及隐私保护机器学习。  

铸星寄语 ✦

深度学习给理论研究带来了新的挑战：深度神经网络的非凸和过参数化的特征使得统计机器学习的惯用分析方法不再有效。我个人主要关注：

（1）深度神经网络的优化，泛化和稳健性，建立可以预测现实的理论分析方法；

（2）优化算法的特性分析，启发新的优化方式；

（3）在隐私保护机器学习中融合深度神经网络的优化特征，设计更高效的隐私保护机器学习算法并理论证明其性能。希望能和铸星老师在感兴趣的问题上深入合作。 

汪跃 

微软亚洲研究院研究员

研究兴趣 ✦

深度学习，强化学习，最优控制，微分方程驱动的系统的建模与控制。

铸星寄语 ✦

在大数据时代，复杂的函数近似和海量的数据使得对于高维非线性系统的控制变为可能，但同时也使得获得的控制策略缺少理论理解与保证。从算法理论的角度，如何在高维空间中进行更加有效的采样，如何度量有限数据学习出来的模型的不确定性，如何在不确定的模型下进行决策与控制，诸如此类问题，都给大数据时代下的理论研究带来的新的机遇与挑战。从应用问题的角度，各类微分方程常常在描述现实世界中扮演着重要角色，在这些微分方程约束下的系统中的控制问题，往往带有高维、非线性、混沌效应等特点，这也给大数据时代下的强化学习与控制研究带来新的机遇与挑战。期待与同样对这些问题感兴趣的老师们一起深入合作与学习。 

周钇驰 

微软亚洲研究院研究员

研究兴趣 ✦

强化学习理论与算法，博弈论，以及强化学习算法在科学中的应用。

铸星寄语 ✦

我目前在进行以下研究工作，期待与铸星老师共同合作！

（1）深度强化学习中的高效探索算法。深度强化学习最重要的缺点在于复杂环境中探索效率低，即使是简单任务也需要与环境交互百万次，这极大地限制了强化学习的应用。该项目的研究重点在于提出理论完备、同时实践有效的深度强化学习的探索算法。 

（2）强化学习在科学领域的应用。科学研究中充满了各类决策问题：发现能量最低、结构最稳定的材料，寻找具有良好性质的药物等等。这样的决策问题天生适合强化学习，科学问题的复杂性也给强化学习提出了全新的挑战。该项目的研究重点在于寻找最有价值的最适合强化学习求解的科学问题，并且为其设计新的强化学习算法。 

其他两大特别科研主题：负责任的人工智能（Responsible AI）、分子科学与人工智能（AI for Molecular Science）已发布，欢迎点击“你可能还想看”中的链接阅读！

扫描上方“铸星计划”二维码

即可了解项目详情或申请报名！

点击“阅读原文”，了解“铸星计划”项目详情和报名方式