实验室或研究小组
|
描述
|
|
人工智能社会决策研究所
（阿尔蒂·辛格、布莱恩·怀尔德、霍达·海达里、罗尼·罗森菲尔德、杰夫·施奈德、阿迪亚·拉姆达斯）
|
作为AI社会决策研究所（AI-SDM）的一部分，我们开发AI以增强社会领域的人类决策能力，例如公共卫生和灾害管理，这些领域需要在不确定、动态和资源受限的情况下做出复杂的、通常是救生的决策，同时也考虑到人们对风险、信任和公平的看法。通过强盗和强化学习算法、自适应控制试验、反事实推理和个性化干预，使用数据驱动的建议，我们使公共卫生和应急管理组织能够确定社会接受的有效且符合道德规范的政策决策。我们还通过与高中、社区学院、大学、企业和政府合作伙伴的有针对性接触，在人工智能和社会科学的交叉点培训和提高劳动力技能，同时提高公众对人工智能积极影响社会的潜力的认识。
了解更多信息。。。 |
数据库组
（克里斯托斯·法洛索斯） |
卡内基梅隆大学的数据库小组专注于高性能数据库架构、多媒体和数据挖掘。我们参与了许多跨学科的工作，并与CMU的许多其他小组密切合作。
了解更多信息。。。 |
德尔福研究小组（流行病学预测）
（罗尼·罗森菲尔德（Roni Rosenfeld）、瑞安·蒂比西拉尼（Ryan Tibshirani）、拉里·沃瑟曼（Larry Wasserman）、瓦莱丽·文图拉（Valerie Ventura）、亚历克斯·莱因哈特（Alex Reinhardt |
公共卫生官员、商业和非商业机构以及公众的决策至关重要，需要进行流行病学预测。我们开发了基于统计机器学习和其他技术的多种获奖预测技术。我们的长期愿景是使流行病学预测像今天的天气预报一样被普遍接受和有用。迄今为止，我们参与了美国政府组织的所有流行病学预测挑战，并做得很好：2013-2014年流感（CDC）；基孔肯亚2015（DARPA）；《2009年至2014年登革热》（白宫OSTP）；2014-2015年流感（CDC，优胜者）；2015-2016年流感（CDC，优胜者）；2016-2017年流感（美国疾病控制与预防中心，获奖者），2017-2018年流感（美国疾病控制与预防中心，三冠王）。
了解更多信息。。。 |
航海实验室
（Eric Xing） |
我们的主要研究兴趣在于开发机器学习和统计方法，以及大规模计算系统和体系结构，以解决人工、生物和社会系统中高维、多模态和动态可能世界中涉及自动学习、推理和决策的问题。
了解更多信息。。。 |
选择实验室
（杰夫·戈登） |
我们的长期研究目标是开发更智能的学习和决策方法。为了实现这一目标，我们研究了设计、分析、理解和控制复杂现实世界系统的方法。我们的研究涵盖了从理论基础到实际应用的整个范围。 |
AUTON实验室
（阿图尔·杜布拉夫斯基、巴纳巴斯·波佐斯、杰夫·施奈德） |
我们的主要研究重点是探索有用的数据结构和算法，并使有趣的统计和学习方法适用于小数据量和大数据量。我们对潜在的计算机科学、数学、统计学以及我们工作的实际应用非常感兴趣。我们与食品安全分析师、公共卫生机构、核安全专家、设备管理人员、社交网络工作者、天体物理学家、生物学家、化学家、制药公司、，勘探公司和机器人专家。
了解更多信息。。。 |
神经统计
（罗布·卡斯） |
世界各地研究大脑神经网络的研究人员正试图使用大而嘈杂的数据集来回答详细的问题，这给统计学和机器学习带来了新的挑战。NeuroStats小组致力于研究可靠识别跨多个大脑区域协调神经活动的方法。
了解更多信息。。。 |
机器学习、计算理论和算法博弈论基础
（尼娜·巴尔坎） |
- 为重要的现代学习范式开发基础和原则性实用算法。这些包括交互式学习、分布式学习、学习表示、终身学习、元学习、噪声容忍或鲁棒学习以及神经架构搜索。
- 数据驱动算法设计的基础和应用。设计和分析实际实例上的算法（即超越最坏情况）。
- 博弈论和经济学中的计算和数据驱动方法。
- 多智能体系统的计算、学习理论和博弈论方面。
|
下一代统计机器学习
（普拉迪普·拉维库马尔） |
我们关注“下一代统计机器学习”的两个基本方面：优雅人工智能（Graceful AI），我们希望学习超越高平均案例性能的“优雅”模型，以及Scrappy AI，我们希望在资源约束下学习模型。在优雅人工智能（Graceful AI）的指导下，该团队致力于研究可解释人工智能（XAI）、鲁棒ML、对抗ML、用于“分布外”（OOD）测试环境的可靠/弹性ML，以及统计博弈论。在Scrappy AI下，该团队从事结构因果模型和定向图形模型的研究，整合领域知识（DARPA称之为“第三波AI”）和自我监督学习。 |
向人们学习
（尼哈尔沙阿） |
许多应用程序都涉及由一组人员对多个项目进行评估，但其中每个项目仅由一个子集人员进行评估，每个人仅评估项目的一个子集。评估的这种分散性导致了许多偏见和不公平的问题。我们通过基础理论分析、算法设计、实际实验来解决这些问题，并强调产生影响。我们的重点应用是同行评审，这是科学研究的支柱。我们的工作也适用于其他应用程序，如招聘、招生、众包、医疗、在线评级和推荐以及同行评级。 |
大脑ML
（莱拉·韦赫贝） |
在完成诸如理解句子或视觉场景等复杂任务时，人脑是如何组织信息的？执行日常任务的人的大脑活动如何与处理相同信息的人工智能算法的激活相关？我们将大脑记录与人工智能表示对齐，以帮助我们了解信息在不同大脑区域是如何处理的，以及这些区域是如何相互通信的。这种结合也可以帮助我们提高对人工智能算法的理解，甚至提出改进算法的方法。通过研究个体大脑在其所代表的信息方面的差异，我们还可以预测行为的差异，并提出帮助理解神经和精神疾病的工具。 |
机器学习基础，深度学习理论
（李元志） |
- 为当前的深度学习模型奠定数学基础：为什么它们比传统学习者更有效？
- 为学习多层神经网络开发更有效的原则方法。
- 了解深度学习中与非凸优化场景相关的新现象，尤其是算法正则化。
|
催化剂
（陈田琪） |
ML模型和ML特定硬件的快速发展使得构建高效且可扩展的学习系统变得越来越具有挑战性，该系统可以充分利用现代硬件和运行时环境的性能。今天的ML系统严重依赖于人工优化ML模型在特定目标平台上的训练和部署。与传统应用程序域不同，学习系统需要解决机器学习模型、硬件后端和运行时环境中不断增长的复杂性和多样性。我们对ML系统中这一独特挑战的回应是Catalyst（CMU自动学习系统小组），这是一个跨机器学习、系统、编程语言和计算机体系结构领域的联合研究小组。我们的任务是构建ML算法和学习系统，通过利用ML计算的数学和统计特性，并通过共同设计系统、硬件和ML算法，实现跨堆栈优化的自动化。
了解更多信息。。。 |
近似正确机器智能（ACMI）实验室
（扎克·利普顿） |
构建适用于现实世界的智能系统需要的不仅仅是预测。驾驶决策需要因果洞察力。可靠性要求模型在明确假设下具有可证明的稳健性。在社会中部署数据驱动的技术需要考虑中介这种交互的复杂动态和反馈回路。与社会需求（如公平）保持一致需要哲学上的连贯处理。ACMI实验室研究核心机器学习方法、它们在医疗保健中的应用及其社会影响。我们寻求解决这些外环问题，同时利用表征学习方面的突破来解决深度学习可以访问的各种原始数据源。
了解更多信息。。。 |
单元格管理器
（罗伯特·墨菲） |
计算生物学系名誉教员Bob Murphy领导的一个团队正在将图像衍生建模方法与主动学习相结合，构建一个不断更新的蛋白质定位综合模型。鉴于人体内大约有一百种细胞类型，每种细胞类型中都表达着成千上万的蛋白质，因此，获得所有蛋白质在细胞中的定位及其在各种条件下的变化的完整图像是一项重要而艰巨的任务，以及超过一百万种疾病（包括潜在药物的存在或致病突变）。自动化显微镜可以帮助快速获取大量图像，但即使使用自动化，也不可能在所有条件下直接确定所有细胞类型中所有蛋白质的定位。
了解更多信息。。。 |
