2021年微软研究博士奖研金名单出炉！三位华人博士生入选，每人42000美元

2021 年 1 月 28 日
AI

作者 | 陈大鑫

就在今日，微软研究院宣布了2021年微软研究博士奖研金获奖名单！

今年一共有十位在读博士生荣获此殊荣，其中华人博士生有三位入选，分别是伊利诺伊大学香槟分校黄佳新、华盛顿大学覃莲卉、多伦多大学杨斌。

在过去二十多年，微软博士奖研金为近300名追求卓越研究的优秀学生提供了支持。今年的其他七位获奖的博士生来头也不小，分别来自斯坦福大学、麻省理工学院、约翰·霍普金斯大学、加州大学伯克利分校、威斯康星大学麦迪逊分校、德克萨斯大学奥斯汀分校、科罗拉多大学博尔德分校。

微软研究博士奖研金为北美大学的博士生提供为期两年的42000美元的奖学金，需要他们从事与微软研究所开展的研究领域相一致的研究。博士生在申请奖研金时必须是博士三年级，并由系主任办公室在其对应研究领域进行提名。

以下AI科技评论就来介绍2021年入选微软研究博士奖研金的三位华人在读博士生。

黄佳新伊利诺伊大学香槟分校

黄佳新是伊利诺伊大学香槟分校计算机科学系的博士三年级学生，导师是数据挖掘学术大牛韩家炜教授，她的本科就读于清华大学电子系，本科导师为李勇教授，本科期间曾获得国家奖学金和三星奖学金，大三暑假曾在加州大学洛杉矶分校做过暑期交流，2020年暑假在微软 Redmond研究院做过三个月的研究实习。

她目前的研究主要集中在无监督地从非结构化文本数据中挖掘结构化知识，已在KDD、NeurIPS、SIGIR、EMNLP等人工智能国际顶级会议上发表10篇以上相关学术研究论文。

如今，人们沉浸在海量的文本数据中，根据用户的特定需求提取结构化知识以获取有用的见解和做出重要的决策，越来越受到人们的关注。逐层分类法是知识表示的一种基本形式，因为它将一组概念组织成一个层次结构，使人们能够清楚地理解概念之间的联系。她的研究重点是设计将非结构化文本数据自动组织成一个多维度分层主题的算法框架，形成一个简洁的、用户导向的结构化摘要，以应对许多实际应用或特定领域中，标签稀少或用户有个性化需求可能带来的挑战。

个人主页：//teapot123.github.io/

覃莲卉华盛顿大学

覃莲卉是华盛顿大学计算机科学与工程系的博士三年级学生，导师是Yejin Choi教授。

她的研究兴趣集中在自然语言处理和机器学习，特别是自然语言生成中的常识推理。为此，她目前致力于使大规模预训练语言模型具备复杂推理的能力，例如反事实(Counterfactual)推理和溯因(Abductive)推理。博士期间，她曾在Google, MSR, AI2等研究院实习。已在ACL、NeurIPS、EMNLP等人工智能国际顶级会议上发表10篇以上相关学术研究论文。

她的长期研究目标是构建具有类似人类常识推理能力的人工智能智能体，以合理、有效、可扩展的方式与人类沟通以及协助人类。

个人主页：//sites.google.com/view/lianhuiqin/home

杨斌多伦多大学

杨斌是多伦多大学计算机科学系的在读博士生，导师是Raquel Urtasun教授，他目前也是Uber ATG研发团队的高级研究科学家。

他本科就读于中国农业大学，本科毕业后曾在商汤科技实习10个月，研究生就读于多伦多大学计算机科学专业。他的长期研究目标是建立像自动驾驶汽车这样的自主系统，通过提高安全性、无障碍性、高效率和低成本来改变未来的汽车流动，以帮助人们实现更多的目标。为了实现这一目标，他的研究重点是学习多模态表示，以获得鲁棒可靠的4D场景理解，包括实时3D目标检测、多模态传感器融合以及联合感知和预测（运动预测）。

杨斌已在CVPR、ECCV、ICCV、ICML等人工智能国际顶级会议上发表20多篇以上相关学术研究论文。

目前，他还对数据高效表征学习感兴趣，包括利用大量未标记数据的半监督学习和促进自治系统闭环训练的真实仿真。

个人主页：//www.cs.toronto.edu/~byang/

其实在过往十多年来，每年都有AI领域的华人博士生获得微软博士奖研金，比如其中两位大家比较熟知的田渊栋和汪昭然。

田渊栋 2011年获奖

上海交通大学本硕、卡耐基梅隆大学机器人系博士，现任 Facebook 人工智能研究院（FAIR）研究员和研究经理。

汪昭然 2015年获奖

现任美国西北大学（Northwestern University）IEMS 系和 EECS 系助理教授。博士毕业于普林斯顿大学，本科毕业于清华大学电子工程系。

而就在2020年也有两位在AI领域非常优秀的华人博士生获奖：

赵洁玉加州大学洛杉矶分校

赵洁玉目前是加州大学洛杉矶分校（UCLA）计算机科学专业四年级在读博士生，师从张凯崴教授。主要研究领域为自然语言处理与机器学习。此前，她在北京航空航天大学获得计算机本科及硕士学位，并在弗吉尼亚大学完成博士一年级的学习。

自然语言处理在简历过滤、文本分析和信息检索等应用中发挥着重要的作用。尽管机器学习方法的进步带来了显著的准确性，但最近的研究表明，这些技术也捕捉和概括了数据中的社会偏见。例如，自动简历过滤系统可能会无意识地根据候选人的性别和种族选择候选人，从而造成社会差异。为确保社会平等和多样性，人们制定了各种法律。然而，AI缺乏这样的机制来限制模型在敏感应用中做出有偏见的预测。赵洁玉的研究是分析各种机器学习模型中潜在的刻板印象，并开发计算方法来增强NLP广泛应用中的公平性。她的研究所产生的广泛影响与机器学习的公平性目标很好地吻合，即认识到多样性和代表性不足群体的价值。

她已在ACL、EMNLP、SIGIR等人工智能国际顶级会议上发表10余篇相关学术研究论文,其中被ACL 2020接收的就有四篇。

其中她的一作论文《Men also like shopping: reducing gender bias amplification using corpus-level constraints》获得了自然语言处理顶会EMNLP 2017 的最佳论文奖（长论文）。