新加坡国立大学 (NUS)LEE Wee Sun教授申请攻略

成功上岸的师兄师姐们都说,联系导师是他们上岸过程中至关重要的步骤之一找到适合自己的导师,与心仪导师取得联系并获得认可非常重要从本期开始,我们将为大家介绍热门院校的导师,帮助同学们了解导师的研究方向,招收学生情况,帮助大家更好的进行申请定位! 本期,我们将为大家介绍新加坡国立大学计算机学院的导师!

硕博申请 @ 新加坡国立大学 (NUS)

01 · 导师简介

LEE Wee Sun教授是新加坡国立大学计算机科学系的教授,目前担任计算机科学系系主任。他1992年毕业于昆士兰大学,获得计算机系统工程学士学位;1996年获得澳大利亚国立大学博士学位。此后他曾在澳大利亚国防军校担任研究员,新加坡麻省理工学院联盟担任研究员,并在麻省理工学院担任访问科学家。

LEE教授的主要研究兴趣包括机器学习、不确定性规划和近似推理。他的研究成果在人工智能和机器人领域的顶级会议和期刊上发表,曾获得IJCAI-JAIR最佳论文奖(2022)、RSS持久影响力奖(2021)、IROS RoboCup最佳论文奖(2015)、UAI谷歌最佳学生论文奖(2014,指导教师)等诸多奖项。他还担任NeurIPS、ICML、AAAI、IJCAI等人工智能和机器学习会议的领域主席,以及ACML的程序主席、会议主席和期刊主编,目前担任ACML指导委员会主席。

新加坡国立导师篇 | 如何成功引起心仪导师的关注?

02 · 导师研究概况

LEE教授在人工智能和机器学习领域有广泛的研究兴趣,他的研究融合决策规划、机器学习、近似推理等多个领域

主要研究方向包括:

算法归纳偏置:研究如何针对目标任务设计有效的深度学习结构,通过将任务相关算法展开为计算图并引入可学习近似器,捕捉重要的信息流。

从视觉和语言输入中学习推理和规划:探索如何利用深度学习的最新进展,在统一的学习架构中有效结合视觉、语言、推理、学习等不同AI子领域的方法。

不确定性规划:研究如何在复杂、动态和不确定的环境中进行决策和规划,开发高效的近似算法。他开发的DESPOT算法赢得ICAPS 2011和2014年概率规划竞赛冠军。

序列标注和分割:开发考虑高阶依赖的条件随机场算法,用于文本序列标注和图像分割等任务。

新加坡国立导师篇 | 如何成功引起心仪导师的关注?

03 · 研究解析

LEE教授在顶级人工智能期刊和会议上发表了大量论文,以下是一些代表性工作:

PF-GNN(ICLR 2021):基于粒子滤波的可微分近似算法,用于学习通用图表示。

因子图神经网络(NeurIPS 2020):将因子图作为归纳偏置,设计用于关系推理的图神经网络模型。

粒子滤波RNN(AAAI 2020):将序列建模中的RNN与贝叶斯滤波中的粒子滤波相结合,用于时间序列预测。

可微分算法网络(RSS 2019):将规划和控制算法"神经化",得到可端到端训练的可复合机器人学习模型。

DESPOT(JAIR 2017):一种在线POMDP近似规划算法,通过适应性地选择信念点并用于构建稀疏近似信念树,在保证性能的同时提高求解效率。

04 ·需做哪些申请准备?

LEE教授所在的研究组主要从事机器学习、AI规划和机器人方面的研究。有志申请的同学需要具备扎实的数学、统计学和计算机科学基础,熟练掌握常见的机器学习算法,并对强化学习、序列决策、概率图模型等方向有所了解。

此外,申请者需要展示出色的编程能力和动手实践经验。熟练掌握Python、PyTorch等常用科研工具,有机器学习竞赛获奖或者相关领域发表经历将是申请的有利砝码。

申请材料除了成绩单、语言成绩、推荐信等常规申请材料外,还需要准备一份有针对性的个人陈述,表达对LEE教授研究方向的兴趣和未来研究计划。

05 ·导师近年招收学生情况

他对学生指导非常用心,学生在他指导下都能取得优异的科研成果。但竞争也相对激烈,每年录取的博士生一般不超过2名。

LEE教授的学生毕业后,一般都在业界和学界取得了很好的发展。如他指导的博士生Hanna Kurniawati因论文"SARSOP:Efficient point-based POMDP planning by approximating optimally reachable belief spaces"获得了RSS 2021 的Test of Time Award。

06 ·研究想法举例

研究主题:将因子图神经网络与强化学习相结合,用于不确定环境下的多智能体协同决策。

用因子图建模多个智能体之间的关系依赖,设计图神经网络对其进行编码和推理。

在单个智能体决策时,通过可微分的近似算法(如PF-GNN)引入贝叶斯推理,对环境不确定性进行建模。

多个智能体在探索环境时通过图神经网络同步信息,协同学习一个全局策略。

在线结合DESPOT等不确定性规划算法,生成满足约束的安全、鲁棒策略。

这一研究将因子图神经网络引入多智能体强化学习,并用近似推理处理了环境中的不确定性,有望让多个智能体在复杂环境中实现更高效、更可靠的协同决策。这对自动驾驶、搜救机器人等需要多智能体协作的实际任务具有重要意义。

07 ·师兄师姐有话说

申请经验: 申请LEE Wee Sun教授的博士项目需要有扎实的机器学习理论功底和编程实践能力。在申请前,建议多阅读教授发表的论文,了解他的最新研究进展。申请材料中,特别是个人陈述,要突出你在相关领域的技能和经验,表达对教授研究方向的浓厚兴趣,并提出自己未来想探索的研究问题。此外,提前与教授邮件沟通,表达你的研究兴趣和想法,让教授对你有初步印象,也可以增加申请成功的概率。

创新思考: LEE教授在机器学习、规划、推理等领域已经开展了许多开创性的工作。未来进一步的研究方向可以考虑将因果推理与强化学习相结合。多数强化学习算法假设智能体对环境的交互遵循固定的转移概率,但现实中环境往往是非平稳动态变化的。因果模型可以刻画环境中的变量之间的因果依赖关系,引导智能体学习环境变化的内在机制。将因果推理整合到强化学习框架中,有望让智能体习得更鲁棒、泛化能力更强的策略,应对环境中的各种干扰变化。这个方向有很多有趣的问题可以探索,相信会给智能体的自主决策和适应能力带来重要突破。

08 ·如何写自己的个人陈述?

我们举一个简单的例子: 我在X大学计算机系学习期间,主修机器学习方向,主要课程包括机器学习导论、深度学习、自然语言处理等,均取得A等成绩。

大三时,我在X实验室参与了一个关于基于强化学习的机器人导航项目。我负责算法实现和实验分析,通过引入层次化的记忆机制,提升了导航策略的长期规划能力。这一工作发表在ICRA 2022上。

去年暑假,我在Y公司实习,参与开发一个基于图神经网络的推荐系统,实现了用户点击率的显著提升。我还多次参加Kaggle竞赛,在Home Credit Default Risk预测竞赛中获得top 5%的成绩。这些经历让我对机器学习的算法原理和实际应用有了更深刻的理解,也坚定了我投身机器学习研究的决心。

LEE教授在机器人学习、序列决策等方面的工作非常契合我的兴趣。我期待能在他的指导下,继续研究如何利用近似推理和强化学习,让机器人在复杂环境中实现自主决策和持续学习。

【竞赛报名/项目咨询+微信:mollywei007】

上一篇

不了解这4类入学测试怎么申请国际学校?CAT4/MAP/WIDA/CEPT详解!

下一篇

澳门大学管理学院金融与商业经济学系MBA项目详解!

你也可能喜欢

  • 暂无相关文章!

评论已经被关闭。

插入图片
返回顶部