新加坡國立大學 (NUS)LEE Wee Sun教授申請攻略

成功上岸的師兄師姐們(men) 都說，聯係導師是他們(men) 上岸過程中至關(guan) 重要的步驟之一，找到適合自己的導師，與(yu) 心儀(yi) 導師取得聯係並獲得認可非常重要！從(cong) 本期開始，我們(men) 將為(wei) 大家介紹熱門院校的導師，幫助同學們(men) 了解導師的研究方向，招收學生情況，幫助大家更好的進行申請定位！ 本期，我們(men) 將為(wei) 大家介紹新加坡國立大學計算機學院的導師！

碩博申請 @ 新加坡國立大學 (NUS)

01 · 導師簡介

LEE Wee Sun教授是新加坡國立大學計算機科學係的教授,目前擔任計算機科學係係主任。他1992年畢業(ye) 於(yu) 昆士蘭(lan) 大學,獲得計算機係統工程學士學位;1996年獲得澳大利亞(ya) 國立大學博士學位。此後他曾在澳大利亞(ya) 國防軍(jun) 校擔任研究員,新加坡麻省理工學院聯盟擔任研究員,並在麻省理工學院擔任訪問科學家。

LEE教授的主要研究興(xing) 趣包括機器學習(xi) 、不確定性規劃和近似推理。他的研究成果在人工智能和機器人領域的頂級會(hui) 議和期刊上發表,曾獲得IJCAI-JAIR最佳論文獎(2022)、RSS持久影響力獎(2021)、IROS RoboCup最佳論文獎(2015)、UAI穀歌最佳學生論文獎(2014,指導教師)等諸多獎項。他還擔任NeurIPS、ICML、AAAI、IJCAI等人工智能和機器學習(xi) 會(hui) 議的領域主席,以及ACML的程序主席、會(hui) 議主席和期刊主編,目前擔任ACML指導委員會(hui) 主席。

02 · 導師研究概況

LEE教授在人工智能和機器學習(xi) 領域有廣泛的研究興(xing) 趣,他的研究融合決(jue) 策規劃、機器學習(xi) 、近似推理等多個(ge) 領域。

主要研究方向包括:

算法歸納偏置:研究如何針對目標任務設計有效的深度學習(xi) 結構,通過將任務相關(guan) 算法展開為(wei) 計算圖並引入可學習(xi) 近似器,捕捉重要的信息流。

從(cong) 視覺和語言輸入中學習(xi) 推理和規劃:探索如何利用深度學習(xi) 的最新進展,在統一的學習(xi) 架構中有效結合視覺、語言、推理、學習(xi) 等不同AI子領域的方法。

不確定性規劃:研究如何在複雜、動態和不確定的環境中進行決(jue) 策和規劃,開發高效的近似算法。他開發的DESPOT算法贏得ICAPS 2011和2014年概率規劃競賽冠軍(jun) 。

序列標注和分割:開發考慮高階依賴的條件隨機場算法,用於(yu) 文本序列標注和圖像分割等任務。

03 · 研究解析

LEE教授在頂級人工智能期刊和會(hui) 議上發表了大量論文,以下是一些代表性工作:

PF-GNN(ICLR 2021):基於(yu) 粒子濾波的可微分近似算法,用於(yu) 學習(xi) 通用圖表示。

因子圖神經網絡(NeurIPS 2020):將因子圖作為(wei) 歸納偏置,設計用於(yu) 關(guan) 係推理的圖神經網絡模型。

粒子濾波RNN(AAAI 2020):將序列建模中的RNN與(yu) 貝葉斯濾波中的粒子濾波相結合,用於(yu) 時間序列預測。

可微分算法網絡(RSS 2019):將規劃和控製算法"神經化",得到可端到端訓練的可複合機器人學習(xi) 模型。

DESPOT(JAIR 2017):一種在線POMDP近似規劃算法,通過適應性地選擇信念點並用於(yu) 構建稀疏近似信念樹,在保證性能的同時提高求解效率。

04 ·需做哪些申請準備？

LEE教授所在的研究組主要從(cong) 事機器學習(xi) 、AI規劃和機器人方麵的研究。有誌申請的同學需要具備紮實的數學、統計學和計算機科學基礎,熟練掌握常見的機器學習(xi) 算法,並對強化學習(xi) 、序列決(jue) 策、概率圖模型等方向有所了解。

此外,申請者需要展示出色的編程能力和動手實踐經驗。熟練掌握Python、PyTorch等常用科研工具,有機器學習(xi) 競賽獲獎或者相關(guan) 領域發表經曆將是申請的有利砝碼。

申請材料除了成績單、語言成績、推薦信等常規申請材料外,還需要準備一份有針對性的個(ge) 人陳述,表達對LEE教授研究方向的興(xing) 趣和未來研究計劃。

05 ·導師近年招收學生情況

他對學生指導非常用心,學生在他指導下都能取得優(you) 異的科研成果。但競爭(zheng) 也相對激烈,每年錄取的博士生一般不超過2名。

LEE教授的學生畢業(ye) 後,一般都在業(ye) 界和學界取得了很好的發展。如他指導的博士生Hanna Kurniawati因論文"SARSOP:Efficient point-based POMDP planning by approximating optimally reachable belief spaces"獲得了RSS 2021 的Test of Time Award。

06 ·研究想法舉(ju) 例

研究主題：將因子圖神經網絡與(yu) 強化學習(xi) 相結合,用於(yu) 不確定環境下的多智能體(ti) 協同決(jue) 策。

用因子圖建模多個(ge) 智能體(ti) 之間的關(guan) 係依賴,設計圖神經網絡對其進行編碼和推理。

在單個(ge) 智能體(ti) 決(jue) 策時,通過可微分的近似算法(如PF-GNN)引入貝葉斯推理,對環境不確定性進行建模。

多個(ge) 智能體(ti) 在探索環境時通過圖神經網絡同步信息,協同學習(xi) 一個(ge) 全局策略。

在線結合DESPOT等不確定性規劃算法,生成滿足約束的安全、魯棒策略。

這一研究將因子圖神經網絡引入多智能體(ti) 強化學習(xi) ,並用近似推理處理了環境中的不確定性,有望讓多個(ge) 智能體(ti) 在複雜環境中實現更高效、更可靠的協同決(jue) 策。這對自動駕駛、搜救機器人等需要多智能體(ti) 協作的實際任務具有重要意義(yi) 。

07 ·師兄師姐有話說

申請經驗: 申請LEE Wee Sun教授的博士項目需要有紮實的機器學習(xi) 理論功底和編程實踐能力。在申請前,建議多閱讀教授發表的論文,了解他的最新研究進展。申請材料中,特別是個(ge) 人陳述,要突出你在相關(guan) 領域的技能和經驗,表達對教授研究方向的濃厚興(xing) 趣,並提出自己未來想探索的研究問題。此外,提前與(yu) 教授郵件溝通,表達你的研究興(xing) 趣和想法,讓教授對你有初步印象,也可以增加申請成功的概率。

創新思考: LEE教授在機器學習(xi) 、規劃、推理等領域已經開展了許多開創性的工作。未來進一步的研究方向可以考慮將因果推理與(yu) 強化學習(xi) 相結合。多數強化學習(xi) 算法假設智能體(ti) 對環境的交互遵循固定的轉移概率,但現實中環境往往是非平穩動態變化的。因果模型可以刻畫環境中的變量之間的因果依賴關(guan) 係,引導智能體(ti) 學習(xi) 環境變化的內(nei) 在機製。將因果推理整合到強化學習(xi) 框架中,有望讓智能體(ti) 習(xi) 得更魯棒、泛化能力更強的策略,應對環境中的各種幹擾變化。這個(ge) 方向有很多有趣的問題可以探索,相信會(hui) 給智能體(ti) 的自主決(jue) 策和適應能力帶來重要突破。

08 ·如何寫(xie) 自己的個(ge) 人陳述？

我們(men) 舉(ju) 一個(ge) 簡單的例子： 我在X大學計算機係學習(xi) 期間,主修機器學習(xi) 方向,主要課程包括機器學習(xi) 導論、深度學習(xi) 、自然語言處理等,均取得A等成績。

大三時,我在X實驗室參與(yu) 了一個(ge) 關(guan) 於(yu) 基於(yu) 強化學習(xi) 的機器人導航項目。我負責算法實現和實驗分析,通過引入層次化的記憶機製,提升了導航策略的長期規劃能力。這一工作發表在ICRA 2022上。

去年暑假,我在Y公司實習(xi) ,參與(yu) 開發一個(ge) 基於(yu) 圖神經網絡的推薦係統,實現了用戶點擊率的顯著提升。我還多次參加Kaggle競賽,在Home Credit Default Risk預測競賽中獲得top 5%的成績。這些經曆讓我對機器學習(xi) 的算法原理和實際應用有了更深刻的理解,也堅定了我投身機器學習(xi) 研究的決(jue) 心。

LEE教授在機器人學習(xi) 、序列決(jue) 策等方麵的工作非常契合我的興(xing) 趣。我期待能在他的指導下,繼續研究如何利用近似推理和強化學習(xi) ,讓機器人在複雜環境中實現自主決(jue) 策和持續學習(xi) 。