13篇顶会！25岁成985高校博导，入职半年发ICML，网友：万点暴击

---

  新智元报道  

来源：知乎

编辑：桃子 粥粥

95后NTU博士毕业，当上了985高校博导。

半年时间还发了一篇顶会，怎么讲？

卷，还是卷...

今年1月，重庆大学计算机学院引进了最年轻的博导冯磊，年仅25岁。

这是重大学院有史以来首次直接给应届博士毕业生正高/博导岗位。

入职半年，冯磊就在2021 ICML上发表了一篇顶会论文「Pointwise Binary Classification with Pairwise Confidence Comparisons」。

重大计算机学院首次以第一单位在该会议上发表学术论文，实现了零的突破，这一话题一时引起许多网友的关注。

论文一作与通讯作者均为冯磊，合作者来自日本东京大学、日本理化学研究所先进智能研究中心、新加坡南洋理工大学、澳洲昆士兰大学、中国香港浸会大学等著名高校或研究机构。

论文地址：https://arxiv.org/abs/2010.01875

尽管传统的监督式学习技术已取得巨大进步，但却需要大量精准的「标记数据」。

鉴于不同原因，收集大量精准标记数据并不容易。与此同时，样本的点式标记将无法访问。

因此研究者们开始考虑使用「成对的」而不是点式的标记策略。

然而，成对标记样本收集也存在一些困难。

由于成对标记表示两个数据点是否共享同一点式标记，若任意一个样本的正标记或负标记的后验概率接近相等，则不容易收集到其成对标记。

因此，冯磊与合作者们提出了一种被称为「成对比较分类」的新型弱监督二分类问题。

其中只有成对的未标记数据被提供，而我们仅知道其中一个比另一个有更大的概率拥有正标记。

具体如何做？

首先从数学上对成对比较数据的生成过程进行建模，推导出了一种具有理论保证的无偏风险估计量，并进一步利用修正函数对其进行改进以解决在使用复杂模型时所面临的过拟合问题。

然后，还将成对比较分类问题与噪声标记学习问题相联系，提出了一种渐进式的无偏风险估计量，并通过引入一致性正则化对其进行了改进。

针对该论文中所提出的算法还进一步从理论上提供了估计误差上界，以证实其可学习性。

最后，实验证实了所提出算法的有效性，并表明成对比较分类是除了成对标记学习外另一种有价值与实用性的成对监督问题。

个人主页显示，冯磊直博毕业于新加坡南洋理工大学（NTU），并曾获得NTU计算机科学与工程学院杰出博士学位论文奖第二名。

他还是中国计算机学会（CCF）会员，中国人工智能学会（CAAI）会员，国际人工智能促进学会（AAAI）会员，美国计算机学会（ACM）会员，中国人工智能学会机器学习专委会通讯委员。

曾担任IJCAI 2021与AAAI 2022高级程序委员会委员，ICML 2021 专家审稿人，以及其他国际顶级（CCF A类）会议（包括NeurIPS、KDD、CVPR、ICCV、AAAI）的程序委员会委员/审稿人，并受邀担任多个国际顶级期刊（包括JMLR、IEEE-TPAMI、IEEE-TIP、IEEE-TNNLS、MLJ）审稿人。

2021年1月，重庆大学计算机学院直接将其作为弘深青年学者人才引进，并聘任为博导、教授，其主要研究方向为机器学习、数据挖掘、人工智能。

ICML/ CVPR/ ICCV/ NeurIPS 等顶会都有文章发表，而且都是在2018-2021期间的工作，可谓是高质高产了。

在冯磊的个人页面，他还特别注明：2022年秋季入学的博士硕士研究生招生名额已满，谢谢各位同学的热情，请勿再邮件联系我了。