陈一昕(1979年6月16日)是一位美国华人计算机科学家、学者和技术管理者。他是圣路易斯华盛顿大学计算机科学与工程系的教授。[1]

陈一昕
出生 (1979-06-16) 1979年6月16日45岁)
 中国江苏扬州
国籍 美国
职业计算机科学家
荣誉

研究兴趣是计算机科学,特别关注机器学习深度学习数据挖掘 、金融人工智能、和计算生物医学领域[2]。他合著了《可解释人工智能导论》一书。

由于在深度学习系统的贡献而当选 电气电子工程师学会(IEEE)会士。[3]自 2021 年起,他还是 ACM Transactions on Computing for Healthcare 的副主编。他还担任 IEEE 2021 年国际大数据会议的主席。[4]

生平

1995年被中国科学技术大学少年班录取并于1999年获得计算机科学学士学位,并于 2001 年在伊利诺伊大学香槟分校获得计算机科学硕士学位。随后他继续攻读博士学位。 在 Benjamin Wah [5]的指导下,于伊利诺伊大学香槟分校获得计算机科学博士学位,并于 2005 年完成。[6]

职业生涯

2005年在 圣路易斯华盛顿大学 计算机科学与 工程 系担任 助理教授,开始了他的学术生涯。2010 年,他被任命为圣路易斯华盛顿大学计算机科学与工程系副教授。 2016 年起他是圣路易斯华盛顿大学计算机科学与工程系的教授。 [7]他是华盛顿大学人类与人工智能协作学习和操作中心 (HALO) 的主任。 [8]

研究

曾经发表大量学术著作。他的研究兴趣集中在机器学习、人工智能、优化算法等领域。[2]

资源优化的机器学习

在深度神经网络 (DNN) 的紧凑性和适用性方面进行了重要研究。 他提出了轻量级 DNN 的概念和架构。 他的团队发明了 HashedNets 架构,该架构使用权重共享方案将超大规模 DNN 压缩成更小的网络。 [9]

还开发了一种用于卷积神经网络 (CNN) 的压缩框架。 他的实验室发明了一种频率敏感压缩技术,可以更好地保留更重要的模型参数,从而获得最先进的压缩结果。[10]

图和时间序列的深度学习

对图神经网络 (GNN) 做出了重大贡献。 他和学生提出了最早的图卷积技术之一DGCNN,可以从任意图中学习有意义的张量表示,并展示了它与 Weisfeiler-Lehman 算法的深层联系。[11]他们的SEAL算法率先将 GNN 应用于链接预测和矩阵补全,并取得了世界纪录的成绩。 [12]

对于时间序列分类,陈一昕团队提出了使用多尺度卷积神经网络,也称为 MCNN,理由是其计算效率高。 他说明 MCNN 通过利用 GPU 计算以不同的频率和尺度提取特征,这与其他只能在单一时间尺度上收回特征的框架相反。[13]

奖励和荣誉

  • 2006 - 能源部青年研究奖
  • 2007 - 微软青年教授奖[14]
  • 2010 - AAAI人工智能大会最佳论文奖[15]
  • 2022 - 电气电子工程师学会(IEEE)会士[16]
  • 2023 - 亚太人工智能学会(AAIA)会士[17]

参考书目

图书

重要文章

  • Chen, Y., & Tu, L. (2007, August). Density-based clustering for real-time stream data. In Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 133-142).
  • Chen, W., Wilson, J., Tyree, S., Weinberger, K., & Chen, Y. (2015, June). Compressing neural networks with the hashing trick. In International conference on machine learning (pp. 2285-2294). PMLR.
  • Cui, Z., Chen, W., & Chen, Y. (2016). Multi-scale convolutional neural networks for time series classification. arXiv preprint arXiv:1603.06995.
  • Zhang, M., Cui, Z., Neumann, M., & Chen, Y. (2018, April). An end-to-end deep learning architecture for graph classification. In Proceedings of the AAAI conference on artificial intelligence (Vol. 32, No. 1).
  • Zhang, M., & Chen, Y. (2018). Link prediction based on graph neural networks. Advances in neural information processing systems, 31.

参考来源

  1. ^ Yixin Chen - Washington University in St.Louis. [2023-02-13]. (原始内容存档于2022-12-03). 
  2. ^ 2.0 2.1 Yixin Chen - Google Scholar Profile. [2023-02-13]. (原始内容存档于2023-01-25). 
  3. ^ Chen elected IEEE Fellow - McKelvey School of Engineering. [2023-02-13]. (原始内容存档于2023-06-09). 
  4. ^ 2021 IEEE Conference on Big Data - IEEE. [2023-02-13]. (原始内容存档于2023-03-03). 
  5. ^ Benjamin Wah - Wikipedia. [2023-02-13]. (原始内容存档于2023-04-13). 
  6. ^ McKelvey School of Engineering - Washington University in St.Luois. [2023-02-13]. (原始内容存档于2023-08-28). 
  7. ^ Yixin Chen - Washington University in St. Louis. [2023-02-13]. (原始内容存档于2022-12-03). 
  8. ^ Faculty - Center for Collaborative Human-AI Learning and Operation. [2023-02-13]. (原始内容存档于2023-01-25). 
  9. ^ Compressing neural networks with the hashing trick - ACM Digital Library. [2023-02-13]. (原始内容存档于2023-01-25). 
  10. ^ Compressing Convolutional Neural Networks in the Frequency Domain - ACM Digital Library. [2023-02-13]. (原始内容存档于2023-06-26). 
  11. ^ An end-to-end deep learning architecture for graph classification - ACM Digital Library. [2023-02-13]. (原始内容存档于2023-01-25). 
  12. ^ Link prediction based on graph neural networks - ACM Digital Library. [2023-02-13]. (原始内容存档于2023-01-25). 
  13. ^ Multi-Scale Convolutional Neural Networks for Time Series Classification - Cornell University. [2023-02-13]. (原始内容存档于2023-04-04). 
  14. ^ Chen receives Microsoft fellowship. [2023-02-13]. (原始内容存档于2023-06-02). 
  15. ^ AAAI Conference Paper Awards and Recognition. [2023-02-13]. (原始内容存档于2023-01-31). 
  16. ^ Chen elected IEEE Fellow - McKelvey School of Engineering. [2023-02-13]. (原始内容存档于2023-06-09). "Chen elected IEEE Fellow - McKelvey School of Engineering"页面存档备份,存于互联网档案馆).
  17. ^ {{url=https://aaia-ai.org/fellows?words=Yixin%20Chen%7Ctitle=Asia Pacific Artificial Intelligence Association}}