科研推荐 | 人工智能高性能计算专题推荐，卡内基梅隆大学终身正教授指导

作者：南星教育 来源：院校库 标签：大学排名

热门科研课题推荐

人工智能 高性能计算专题：

 分布式优化算法在训练以计算机视觉为例的深度学习神经网络等系统中的应用研究【大学组】

开始日期：2025-08-02

课时安排：7周在线小组科研学习+5周不限时论文指导学习

适合人群

适合年级 (Grade): 大学生及以上

适合专业 (Major): 人工智能/深度学习/计算机视觉/高性能计算/智能科学与技术等专业或对上述专业感兴趣的学生；

学生需要具备微积分、线性代数、概率论与数理统计基础，并能够熟练使用Python编程。

建议选修: 计算机系统与电子工程

导师介绍

Soummya

卡内基梅隆大学 (CMU)讲席终身正教授

Soummya导师获于2010年获卡内基梅隆大学电气与计算机工程博士学位。2010年6月至2011年5月，他在美国新泽西州普林斯顿大学电气工程系担任博士后研究员。他目前是卡内基梅隆大学电气与计算机工程讲席终身正教授。他的研究兴趣包括大规模网络系统、随机系统、多智能体系统和数据科学中的决策，以及在信息物理系统和智能能源系统中的应用。导师于2016年获得CMU院长早期职业奖，2016年获美国自动控制委员会理论类最佳论文奖，2020年带领CMU团队在ARPA-E Grid Optimization Competition中排名前10，2022年获选为IEEE院士。

Soummya received a B.Tech.  in electronics and electrical communication engineering from the Indian Institute of Technology, Kharagpur, India, in May 2005 and a Ph.D. in electrical and computer engineering from Carnegie Mellon University, Pittsburgh, PA, in 2010.  From June 2010 to May 2011, he was with the Electrical Engineering Department, Princeton University, Princeton, NJ, USA, as a Postdoctoral Research Associate.  He is currently a Professor of Electrical and Computer Engineering at Carnegie Mellon University, Pittsburgh, PA, USA.  His research interests include decision-making in large-scale networked systems, stochastic systems, multi-agent systems, and data science, with applications in cyber-physical systems and smart energy systems.

任职学校

卡内基梅隆大学（Carnegie Mellon University），简称CMU，是美国25所新常春藤盟校之一。2020年QS世界大学学科排名中，其计算机与信息系统学排名世界第3。截至2019年3月，该校共培养出了13个图灵奖、17个诺贝尔奖、9个奥斯卡金像奖、114个艾美奖、44个托尼奖得主。长期以来，CMU的计算机系都占据全美第一的位置，学校的软件工程专业全美排名第一，其研究院更是美国国防部的军官研究院。CMU位列CSRankings排名世界第一。U.S. News计算机本科及硕士项目与斯坦福大学，麻省理工学院，加州大学伯克利分校并列全美第一。

项目背景

机器学习（ML）和人工智能（AI）具有广泛的社会应用价值。从运输、能源、工业供应链等有形基础设施到医疗和金融等无形服务，这些现代社会经济发展的方方面面离不开机器学习和人工智能技术。传统的机器学习一般是在单机或者集群上集中处理数据、训练模型。为了在大规模的网络应用场景中实现快速、高效的在线决策和训练，去中心化机器学习，也就是分布式机器学习，逐渐受到学界更多关注。随着现代物联网(IoT)平台、自组织网络、边缘计算的出现，数据越来越多地在网络节点/用户/设备(统称为代理)上以分散的方式收集和处理。与典型的基于云或基于参数服务器的设置不同，分散学习（Decentralized Learning）是一种在多个独立节点或代理之间协作进行机器学习模型训练和推理的方法，而不是依赖于集中式服务器。分散学习的主要目标是利用各个节点的计算资源和数据，提升模型的训练效率和性能，同时保护数据隐私和增强系统的鲁棒性。在具有分布式数据的智能体网络中，基于分散网络的协作机器学习处理算法的设计已经成为一种新兴的研究趋势。

项目介绍

本项目的重点是设计和分析基于分布式数据的大规模智能体网络中完全分散的机器学习和推理的算法。课程将介绍如何为分类和回归等任务构建机器学习模型、监督学习框架、随机优化，从简单线性模型训练到复杂神经网络，以及基于共识和扩散类型的网络学习算法，这些算法广泛应用于去中心化网络环境中的协作训练。针对未来有意从事人工智能、机器学习相关行业及科学研究的学生，本课题将提供必要准备和坚实基础。This course focuses on the design and analysis of algorithms for the emerging paradigm of fully decentralized machine learning and inference in large-scale agent networks with distributed data. The course will cover how to build machine learning models for tasks such as classification and regression, supervised learning frameworks, stochastic optimization, from simple linear model training to complex neural networks, and network learning algorithms based on consensus and diffusion types, which are widely used for collaborative training in decentralized network environments. For future students who intend to engage in artificial intelligence, machine learning related industries and scientific research, this topic will provide necessary preparation and solid foundation.

项目大纲

网络信息处理和机器学习Network information processing and Machine Learning

网络化去中心化随机优化设置Network decentralized stochastic optimization Settings

基于共识和扩散的网络学习算法Network learning algorithm based on consensus and diffusion

联邦学习：基本算法 Federated Learning: Basic Algorithms

去中心化在线参数估计与统计保证 decentralized online parameter estimation and associated statistical guarantees

高效通信设计及抵御网络和数据恶意攻击Efficient communication design and tolerance of malicious network and data attacks

项目回顾与成果展示 Program Review and Presentation

论文辅导 Project Deliverables Tutoring

项目收获

7周在线小组科研学习+5周不限时论文指导学习 共125课时

项目报告

优秀学员获主导师Reference Letter

EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国际会议全文投递与发表指导（可用于申请）

结业证书

成绩单

上一篇：26fall港校对材料的审查力度，严到离谱

下一篇：返回列表