美国宾夕法尼亚大学计算机学系全奖博士招生 | Prof. Agarwal

导师简介

如果你想申请美国宾夕法尼亚大学 计算机学系博士，那今天这期文章解析可能对你有用！今天Mason学长为大家详细解析宾夕法尼亚大学的Prof.Agarwal的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考，并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！

作为英国巴斯大学(University of Bath)管理学院的市场营销高级讲师(相当于副教授)，教授是当今企业社会责任(CSR)传播和零售研究领域的重要学者。教授目前在巴斯大学商业、组织与社会中心(Centre for Business, Organisations and Society, CBOS)以及零售实验室(Retail Lab)开展研究工作，深入探索组织如何通过有效沟通增强消费者负责任行为，以及当代零售和消费主义的发展趋势。

教授还担任《Psychology & Marketing》的副编辑，并积极参与学术会议的组织工作，如2018年的零售思想领袖会议(Thought Leader Conference in Retailing)和2023年的欧洲零售研究学术讨论会(Colloquium on European Research in Retailing)。

研究领域

教授的研究兴趣可以分为以下几个主要方向：

1. 机器学习的计算、数学和统计基础：包括各种复杂机器学习问题背后的核心计算原理、数学原理和统计原理，以及利用这些见解开发具有计算和统计保证的原则性算法。
2. 机器学习在生命科学中的应用：将机器学习方法应用于生命科学领域的实际问题，如预测抗癌药物反应、精准医疗研究等。
3. 机器学习与其他学科的交叉研究：特别是与经济学、运筹学和心理学的交叉，尤其是统计排序和选择建模方面的研究。
4. 排序和选择模型：教授因其在排序和新型机器学习问题的基础性工作而闻名，这方面的研究包括统计排序、对偶匹配问题等。

研究分析

1. "Multiclass learning from noisy labels for non-decomposable performance measures"

发表于2024年第27届人工智能与统计国际会议（AISTATS）

该研究聚焦于在含有噪声标签的数据环境下，如何有效学习多类别分类器以优化非分解性能度量的问题。

这篇论文针对的是一个重要问题：如何在存在标签噪声的情况下学习优化非分解性能度量的多类分类器。

这项研究的重要贡献在于，它扩展了处理噪声标签的方法，使之适用于非分解性能度量，而不仅仅是传统的基于损失的度量。这对于处理类不平衡、信息检索等实际应用中的问题具有重要意义。

2. "Consistent multiclass algorithms for complex metrics and constraints"

在Journal of Machine Learning Research(JMLR)发表

该研究提出了一种多类学习的一致算法框架，用于处理复杂性能度量和约束。

这篇论文提出了一种多类学习的一致算法框架，用于处理复杂性能度量和约束的问题。在这种设定下，目标函数和约束条件由分类器混淆矩阵的任意函数定义。这种设定包括许多常见的性能度量，如多类G-mean和micro F1-measure，以及分类器精确率和召回率方面的约束，甚至包括更近期的公平性差异度量。

3. "Learning from noisy labels with no change to the training process"

发表于2021年第38届国际机器学习会议(ICML)

该研究提出了一种新方法，能够在不改变训练过程的情况下从噪声标签中学习。

这篇论文提出了一种创新方法，能够在不改变训练过程的情况下从噪声标签中学习。在机器学习应用中，获取大量带有精确标签的数据通常很困难，而带有噪声标签的数据则更为常见。现有处理噪声标签的方法通常需要修改训练算法或实现特定的损失函数，这增加了实施的复杂性。

4. "Stochastic dueling bandits with adversarial corruption"

发表于2021年第32届算法学习理论国际会议(ALT)

该研究探讨了在存在对抗性干扰的情况下的随机对偶匹配问题。

这篇论文研究了在存在对抗性干扰的情况下的随机对偶匹配问题(stochastic dueling bandits with adversarial corruption)。对偶匹配问题是多臂赌博机问题的一个变种，在推荐系统和信息检索等领域有广泛应用。

在对偶匹配问题中，学习者在每轮选择一对"臂"(arms)，并接收关于哪个臂更受偏好的反馈。然而，由于恶意用户的存在，这些系统中的反馈可能被干扰，因此设计能够对这些干扰具有鲁棒性的对偶匹配算法变得越来越重要。

项目分析

1. 宾夕法尼亚数据科学基础研究所(Penn Institute for Foundations of Data Science, PIFODS)

教授担任美国国家科学基金会(NSF)资助的宾夕法尼亚数据科学基础研究所(PIFODS)的首席研究员和主任。该研究所是NSF"驾驭数据革命"(Harnessing the Data Revolution, HDR)大创意活动的一部分，也是TRIPODS(跨学科原则数据科学转换)(Transdisciplinary Research In Principles Of Data Science)计划下的机构。

2. 宾夕法尼亚机器学习研究(Penn Research in Machine Learning, PRiML)

教授曾担任宾夕法尼亚机器学习研究(PRiML)论坛的联合主任(2017-2022)。PRiML是宾夕法尼亚大学工程学院和沃顿商学院之间的联合努力，旨在将大学的大型多样化机器学习社区聚集在一起。

PRiML作为一个平台，促进了机器学习研究人员之间的合作和交流。它组织各种活动，如研讨会、讲座和工作坊，以促进机器学习领域的最新进展和创新。

3. 印美先进机器学习、博弈论和优化联合研究中心

教授还曾担任印美先进机器学习、博弈论和优化联合研究中心的联合主任(2012-2015)。该中心是印度和美国之间的一个合作研究平台，致力于在机器学习、博弈论和优化领域开展前沿研究。

研究想法

1. 非分解性能度量下的自监督学习

研究背景与意义：自监督学习在近年来取得了巨大进展，但大多数方法仍然基于标准损失函数进行优化。将教授在非分解性能度量方面的工作与自监督学习相结合，可以开发出针对特定任务更有效的自监督学习方法。

研究思路：

• 设计适用于自监督学习的非分解性能度量，例如基于表示相似性的F-measure或G-mean
• 开发在这些性能度量下的一致学习算法
• 探索如何在存在噪声标签的情况下进行有效的自监督学习
• 将这些方法应用于数据有限或类别不平衡的场景

2. 多智能体系统中的对偶反馈学习

研究背景与意义：多智能体系统在机器人、自动驾驶、智能交通等领域有广泛应用。将教授在对偶匹配和对抗性干扰方面的工作扩展到多智能体系统，可以提高这些系统在不确定和对抗环境中的鲁棒性。

研究思路：

• 设计多智能体对偶反馈学习框架，使智能体能够通过偏好反馈相互学习
• 开发对抗性环境下的鲁棒学习算法，处理其他智能体可能引入的干扰
• 探索不同智能体之间的协作和竞争机制，以优化整体系统性能
• 研究在通信受限情况下如何有效利用对偶反馈进行学习

3. 生成式AI的校准与可靠性评估

研究背景与意义：生成式AI模型如大型语言模型(LLMs)和扩散模型在生成内容时常常产生不确定或不准确的结果。利用教授在替代损失函数和校准方面的专业知识，可以开发更可靠和可信的生成式AI系统。

研究思路：

• 设计适用于生成式模型的校准方法，确保模型输出的概率与实际正确性相符
• 开发评估生成内容质量和可靠性的非分解性能度量
• 探索在人类反馈存在噪声的情况下，如何有效优化生成模型
• 研究在对抗性攻击下保持生成模型稳定性的方法

4. 跨模态学习中的排序与选择建模

研究背景与意义：跨模态学习需要在不同数据模态(如文本、图像、音频)之间建立联系。教授在排序和选择建模方面的工作可以用来改进跨模态学习中的匹配和检索任务。

研究思路：

• 开发基于排序的跨模态表示学习方法，优化不同模态数据间的相对关系
• 设计能处理跨模态噪声的鲁棒算法
• 探索如何利用复杂性能度量评估跨模态模型的效果
• 研究人类对跨模态内容偏好的认知模型，并将其融入机器学习算法

申请建议

1. 学术准备

深入理解理论基础：

• 打牢机器学习理论基础，特别是统计学习理论、凸优化、高维统计和概率论
• 熟悉替代损失函数、校准理论、排序学习等教授关注的核心研究领域
• 掌握多类分类、非分解性能度量、带噪声标签学习等特定问题的背景知识

研究经验积累：

• 参与与教授研究方向相关的研究项目，如机器学习理论、算法设计、跨学科应用等
• 尝试复现并扩展教授的部分工作，深入理解其研究方法和思路
• 发表相关领域的高质量研究论文，最好是在ICML、NeurIPS、COLT、AISTATS等顶级会议或期刊
• 跨学科视野拓展：
• 了解机器学习与其他学科如经济学、运筹学、心理学的交叉研究
• 学习应用领域知识，特别是生命科学中的机器学习应用
• 培养数学推理能力和理论分析能力，这是教授研究工作的核心

2 .申请策略

个性化研究提案：

• 深入研读教授的论文，理解她的研究方法和关注点
• 设计与其研究兴趣高度相关的研究提案，展示你对该领域的理解和创新思维
• 在提案中突出理论贡献与实际应用相结合的方面，这与教授的研究风格相符
• 明确说明你希望探索的特定问题和可能的方法，避免泛泛而谈

突出匹配点：

• 强调你在理论和应用方面的平衡能力，这与教授跨学科的研究方法相符
• 如果你有排序学习、多类分类、噪声标签学习等方面的经验，一定要突出这些与她研究高度相关的经验
• 展示你的数学能力和理论分析能力，这是理解和推进她研究工作的关键

3. 专业素养培养

• 理论与应用平衡：
• 培养解决理论问题和实际应用问题的双重能力
• 学会将复杂的理论概念转化为可实现的算法和系统
• 在学术论文和项目中展示理论推导与实验验证的结合
• 跨学科合作能力：
• 培养与不同背景研究者合作的能力，这与教授跨学科研究的风格一致
• 参与跨学科项目，学习如何与计算机科学、统计学、应用领域专家有效沟通
• 发展表达复杂概念的能力，能够向非专业人士清晰解释技术细节

4. 实用技巧

强化编程与实验技能：

• 熟练掌握Python、TensorFlow/PyTorch等机器学习工具
• 具备设计和实施严谨实验的能力，包括实验设计、数据分析和结果解释
• 学会有效可视化复杂数据和结果，以支持理论发现

研究展示能力：

• 练习如何有效展示研究工作，包括口头报告和海报展示
• 学会针对不同听众调整技术内容的深度和广度
• 提前准备并练习可能的面试问题，特别是关于你的研究兴趣和教授工作的问题

博士背景

Charlotte，本硕985，新加坡市场营销博士毕业，博士后，研究方向包括：消费者行为，品牌管理，网络营销等。在国际权威学术期刊《Journal of Marketing》和《Journal of Consumer Research》上发表论文。擅长市场营销相关领域的文书写作辅导，熟悉相关领域的PhD，DBA申请流程及技巧。