56144
姓名 | 朱军 | 性别 | 男 |
|
---|---|---|---|---|
出生年月 | 出生地 | |||
毕业院校 | 清华大学 | 毕业时间 | 2009年 | |
最高学历 | 博士 | 职务/职称 | 副研究员 | |
研究方向 | 机器学习、数据挖掘 | |||
所在单位 | 清华大学智能技术与系统国家重点实验室 |
朱军,清华大学计算机科学与技术系副教授。主要研究兴趣:统计机器学习方法用于求解人工生物学习中出现的科学工程问题,推理,高维动态环境中的决策等。朱军博士师从张钹教授,获得清华大学计算机科学专业博士学位。在卡内基梅隆大学机器学习系与Eric P.Xing教授合作完成博士后工作。 他当前的研究工作涉及统计学习,包括概率隐变量模型的理论与算法,高维稀疏学习,贝叶斯无参模型,大间距学习,统计分析在社会网络分析中的应用,数据挖掘,多媒体数据分析等。朱军博士已发表50多篇高水平国际会议及期刊论文,包括ICML, NIPS, KDD, JMLR, PAMI等等。他担任过ICML 2014, UAI 2014, NIPS 2013 以及IJCAI 2013的领域主席或资深会议主席团成员。他是IEEE TPAMI 的副主编。获得过CCF杰出博士论文奖,微软奖学金,IEEE智能系统"AI$1s 10 to Watch" 奖励,NSFC优秀青年学者奖,CCF青年科学家奖励等。他的工作由清华大学221青年人才基础研究计划支持。
研究工作围绕机器学习基础理论、算法和应用展开,注重理论与实际问题结合。针对复杂数据隐含结构的学习与利用中的共性问题,研究了结构学习及基于结构的统计学习中若干关键问题,提出:(1)最大熵判别式学习的PAC-Bayes理论与方法;(2)正则化贝叶斯推理及正则化非参数贝叶斯推理理论;(3)非参数化贝叶斯模型的最大间隔学习理论与高效算法等。针对互联网数据挖掘、社交网络分析、多模态数据融合、网络推荐等多个典型应用场景,将基础理论与实际问题结合,提出有效的计算模型和算法,包括:(1)将正则化贝叶斯推理用于解决大规模文本分类、社交网络分析、矩阵低秩分解、多模态数据融合等问题,提出高效推理算法;(2)将结构化最大熵判别式学习用于解决网络环境下信息抽取、实体关系抽取、多模态数据融合与检索等问题,建立了基于结构的网络数据抽取框架及包括StatSnowball在内的若干统计模型,获3项美国专利,研究成果已应用到微软的多个搜索引擎,包括人立方关系搜索引擎和学术搜索引擎等。
上述成果已连续多年在机器学习顶级国际会议和杂志ICML、NIPS、UAI、IJCAI、AAAI、JMLR、PAMI等发表论文50余篇。受邀担任人工智能与模式识别顶级期刊PAMI的编委,担任机器学习顶级会议ICML 2014、ICML 2015、IJCAI 2015、UAI 2014、NIPS 2013等的领域主席,担任ICML 2014的地区联合主席。研究工作得到国家973计划(课题负责人)、自然科学基金优青基金和重点基金等项目的支持,入选“清华大学221基础研究人才支持计划”。
国家优秀青年科学基金获得者(2013);
IEEE Intelligent Systems杂志评选的“AI’s 10 to Watch”(2013);
中国计算机学会青年科学家(2013);
清华大学221基础研究计划入选者(2012);
中国计算机学会优秀博士论文奖获得者(2009);
卡内基梅隆大学Innovation Fellow(2009);
微软学者(2006)。
2014 – 今,IEEE Trans. on PAMI副编委(Associate Editor);
2014 – 今,中国计算机学会学术工委委员;
ICML 2014领域主席、地区联合主席;
ICML 2015领域主席;
IJCAI 2015领域主席;
UAI 2014资深程序委员;
NIPS 2013领域主席。
[1]. Jun Zhu, Ning Chen, and Eric P. Xing. Bayesian Inference with Posterior Regularization and applications to Infinite Latent SVMs, Journal of Machine Learning Research, 15(May):1799-1847, 2014;
[2]. Jun Zhu, Ning Chen, Hugh Perkins, and Bo Zhang. Gibbs Max-margin Topic Models with Data Augmentation, Journal of Machine Learning Research, 15(Mar):1073-1110, 2014;
[3]. Tianlin Shi, and Jun Zhu. Online Bayesian Passive Aggressive Learning, In Proc. of International Conference on Machine Learning, Beijing, China, 2014;
[4]. Jianfei Chen, Jun Zhu, Zi Wang, Xun Zheng, and Bo Zhang. Scalable Inference for Logistic-Normal Topic Models, In Proc. of Advances in Neural Information Processing Systems (NIPS), Lake Tahoe, USA, 2013;
[5]. Jun Zhu, Amr Ahmed, Eric Xing. MedLDA: Maximum Margin Supervised Topic Models. Journal of Machine Learning Research (JMLR), 13(Aug): 2237-2278, 2012;
[6]. Ning Chen, Jun Zhu, Fuchun Sun, and Eric P. Xing. Large-margin Predictive Latent Subspace Learning for Multi-view Data Analysis, IEEE Trans. on PAMI, 34(12): 2365-2378, 2012;
[7]. Jun Zhu, Ning Chen, Eric Xing. Infinite SVM: Dirichlet Process Mixtures of Large-margin Kernel Machines. In Proc. of International Conference on Machine Learning (ICML), pp.617-624, Bellevue, USA, 2011;
[8]. Jun Zhu, Eric Xing. Conditional Topic Random Fields. In Proc. of International Conference on Machine Learning (ICML), pp.1239-1246, Haifa, Israel, 2010;
[9]. Jun Zhu, Eric Xing. Maximum Entropy Discriminantion Markov Networks. Journal of Machine Learning Research (JMLR), 10(Nov): 2531-2569, 2009;
[10] Jun Zhu, Zaiqing Nie, Xiaojiang Liu, Bo Zhang, and Ji-Rong Wen. StatSnowball: a Statistical Approach to Extracting Entity Relationships, In Proc. of 18th International Word Wide Web Conference (WWW), Madrid, Spain, 2009;
[11]. Jun Zhu, Zaiqing Nie, Bo Zhang, Ji-Rong Wen, Dynamic Hierarchical Markov Random Fields for Integrated Web Data Extraction. Journal of Machine Learning Research (JMLR), 9(Jul): 1583-1614, 2008;
[12]. Jun Zhu, Zaiqing Nie, Ji-Rong Wen, Bo Zhang, and Wei-Ying Ma. Simultaneous Record Detection and Attribute Labeling in Web Data Extraction, In Proc. of the 12nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (SIGKDD), Philadelphia, PA, USA, 2006;
[13]. Jun Zhu, Zaiqing Nie, Ji-Rong Wen, Bo Zhang, and Wei-Ying Ma. 2D Conditional Random Fields for Web Information Extraction, In Proc. of the 22nd International Conference on Machine Learning (ICML), Bonn, Germany, 2005.