华人学者、UCSB助理教授王宇翔获得COLT 2021最佳学生论文奖

作者：琰琰

最新消息，华人学者、加州大学圣巴巴拉分校（UCSB）助理教授王宇翔发表的题为“Optimal Dynamic Regret in Exp-Concave Online Learning”的研究论文获得了 COLT 2021 的最佳学生论文奖。

COLT 2021（Conference on Learning Theory ）是机器学习领域的主流学术会议之一。第34 届COLT 2021将于 8 月 15 日至 19 日在科罗拉多州博尔德举行，届时会议将分为两个阶段采取虚拟和混合两种模式进行。

本次会议以机器学习理论研究为主题，涉及人工神经网络理论、深度学习、算法的设计与分析、统计和计算复杂度、优化算法以及经验现象的理论解释等研究方向，设置了最佳论文和最佳学生论文两个奖项。

获奖学者

王宇翔（Yu-Xiang Wang）是加州大学圣巴巴拉分校（UCSB）计算机科学系助理教授，机器学习联合实验室负责人。在加入 UCSB 之前，曾在加州帕洛阿尔托Amazon AI 实验室担任科学家（2017-2018年）。

他博士就读于卡内基梅隆大学计算机科学学院（CMU），于2017年获得机器学习和统计学双学位，期间接受过Stephen Fienberg、Alex Smola、Ryan Tibshirani和Jing Lei等专家的联合指导。本科和研究生在新加坡国立大学主修电气工程专业，于2011和2013获得学士和硕士学位。

他的研究兴趣包括机器学习、统计及优化，主要侧重统计理论和方法、差异隐私、大规模机器学习、强化学习和深度学习等方向，已在ICML、NeurIPS、CVPR等顶会发表了多篇相关研究论文。

具体而言，其工作重点涉及各种具有挑战性的学习机制（如高维、异构、隐私受限、顺序、并行和分布式）、数据隐私结构（广义稀疏性、子空间的并集、图形或网络结构），资源平衡（模型复杂性、统计能力和隐私预算）以及各种可扩展的优化工具等。

此外，他还对统计学和机器学习的应用感兴趣，例如在清洁能源、医疗保健、住房、金融市场、网络服务等方面的应用。他认为，相关研究的关键挑战在于如何有效地利用现有数据实现智能预测（监督学习），量化不确定性（统计推断），设计实验（主动学习/强化），以及推断长期决策（强化学习）等。

AI科技评论此前报道，今年4月王宇翔还入选了谷歌首届研究学者计划（Research Scholar Program）。与其一同入选的还有普林斯顿大学计算机系助理教授陈丹琦、杜克大学新晋助理教授陈廷钧等16位华人学者。

个人主页：https://sites.cs.ucsb.edu/~yuxiangw/

获奖论文

论文地址：https://arxiv.org/pdf/2104.11824.pdf

本文主要研究了ZekEvic（2003）动态后悔最小化在具有凹形损失的在线学习中的问题。研究发现，只要允许不恰当（improper）的学习，强自适应在线学习者就会获得

的动态后悔，其中，Cn代表学习者未知的任意比较器序列的总变化量（又称路径长度）。即使对于已知上限为

的 1D 平方损失，实现这一速率也非常重要的。这项证明技术巧妙地利用 KKT 条件强加的原始变量和对偶变量的复杂结构，并且可能具有独立意义。最后将这些结果应用于局部自适应非参数回归的经典统计问题，在不需要任何统计假设或超参数调整的情况下，获得了更强大、更灵活的算法。