ACM命名玛丽亚·弗洛里娜“尼娜”·巴尔坎卡内基梅隆大学（Carnegie Mellon University），2019年美国医学会格雷斯·默里·霍珀奖（ACM Grace Murray Hopper Award）获得者，该奖项旨在表彰对最低限度监督学习做出的基础性和突破性贡献。Balcan在机器学习方面具有影响力和开拓性的工作解决了长期存在的未决问题，使整个系列的研究对现代人工智能系统至关重要，并为该领域制定了未来几年的议程。

这个ACM Grace Murray Hopper奖是授予年度杰出年轻计算机专业人员的，是根据最近一次重大技术或服务贡献而选出的。该奖项附带35000美元的奖金。候选人在做出符合条件的贡献时必须年满35岁或以下。该奖项的资金支持由微软提供。

ACM总裁Cherri M.Pancake表示：“妮娜·巴尔坎（Nina Balcan）非常符合ACM格雷斯·默里·霍珀奖（Grace Murray Hopper Award）的标准，因为她的许多开创性贡献都发生在她35岁之前。”。“尽管她仍处于职业生涯的早期阶段，但在人工智能系统如何在有限监督下学习的理论方面，她已经确立了自己的世界领先地位。更广泛地说，她的工作重新调整了机器学习的基础，并因此带来了许多新的应用，带来了跨越式的进步在这个令人兴奋的人工智能领域。”

选择技术贡献

半监督学习
半监督学习是一种机器学习方法，其中算法使用大量容易获得的未标记数据来增加少量标记数据，以提高预测准确性。当半监督学习首次被探索时，早期的研究表明了一些有希望的结果。然而，在Balcan工作之前，没有通用原则来设计和提供对利用标记和未标记数据的算法的形式保证。通过介绍第一个一般理论框架，Balcan展示了如何对此类技术的性能实现可证明的保证，以及对许多不同类型的半监督学习方法的具体影响。她从有限监督中学习的基本原则有助于推进机器学习中的这一重要工具，并支持该领域许多其他研究人员的后续工作。

主动学习/噪音容忍学习
巴尔坎在积极学习的相关领域也做出了重大贡献。在主动学习中，该算法处理大量数据，并智能地选择要标记的数据点。Balcan为主动学习建立了性能保证，即使在数据中存在“噪音”的情况下，也能保持这种性能保证。这些保证适用于任意形式的噪声，即任何扭曲或破坏数据的情况。这可能包括模糊照片、标记不当的数据单元、无意义的信息或算法无法解释的数据中的任何内容。在这项工作的基础上，Balcan和她的合作者还开发了算法，可以在更专业的“标签噪声”形式下更有效地学习。标签噪声的示例可能包括一名研究人员在注释数据以预测疾病时没有得到所有健康症状，或数据编码错误。她在噪声环境下积极学习的工作被视为该领域的一项突破。

群集
聚类是一种无监督的学习技术，其中算法将具有相似属性的数据点分组。聚类的一个目标是在数据中找到有意义的结构。然而，该领域的早期挑战是为数据集中的“有意义的结构”建立理论基础。在她的早期工作中，Balcan提出了一个理论基础，用于理解可以通过聚类检测到的一般类型的结构，以及描述特定聚类算法的功能。随着她的理论框架的进一步发展，她还设计了基于这些理论基础的新型聚类算法，并展示了这些算法在计算生物学和网络搜索中的应用。

新闻稿|可打印PDF

 

玛丽亚·弗洛里娜·巴尔坎卡内基·梅隆大学计算机科学副教授。她的研究兴趣包括学习理论、机器学习、计算理论、人工智能、算法经济学和算法博弈论以及优化。巴尔坎分别于2000年和2002年获得布加勒斯特大学（罗马尼亚）学士和硕士学位。2008年，她获得卡内基梅隆大学计算机科学博士学位。

Balcan的荣誉包括2009年的国家科学基金会职业奖、2011年的微软学院奖学金和2014年的斯隆研究奖学金，以及许多会议论文奖。Balcan曾担任所有三个主要机器学习会议的项目委员会联合主席：神经信息处理系统会议（NeurIPS）、机器学习国际会议（ICML）和学习理论会议（COLT）。巴尔坎的出版物是机器学习理论领域被引用最多的出版物之一，她仍然是一位多产的作家。她最近的出版物包括该书的“数据驱动算法设计”和“分类中的噪声”章节超越算法的最坏情况分析将于2020年晚些时候出版。