陈一昕

编辑链接
维基百科，自由的百科全书

 

陈一昕
出生1979年6月16日
教育程度计算机科学学士
计算机科学 硕士
计算机科学 博士
职业计算机科学家、学者、技术管理
荣誉

陈一昕 是一位计算机科学家、学者和技术管理者。他是圣路易斯华盛顿大学计算机科学与工程系的教授。[1]

陈一昕的研究兴趣是计算机科学，特别关注机器学习、深度学习、数据挖掘 、金融人工智能、和计算生物医学领域[2]。他合著了《可解释人工智能导论》一书。

陈一昕由于在深度学习系统的贡献而当选 电气电子工程师学会（IEEE）会士。[3]自 2021 年起，他还是 ACM Transactions on Computing for Healthcare 的副主编。他还担任 IEEE 2021 年国际大數據会议的主席。[4]

教育

陈一昕于 1995 年被中国科学技术大学少年班录取并于1999年获得计算机科学学士学位，并于 2001 年在伊利诺伊大学香槟分校获得计算机科学硕士学位。随后他继续攻读博士学位。 在 Benjamin Wah [5]的指导下，于伊利诺伊大学香槟分校获得计算机科学博士学位，并于 2005 年完成。[6]

职业生涯

陈一昕于 2005 年在 圣路易斯华盛顿大学 计算机科学与 工程 系担任 助理教授，开始了他的学术生涯。2010 年，他被任命为圣路易斯华盛顿大学计算机科学与工程系副教授。 2016 年起他是圣路易斯华盛顿大学计算机科学与工程系的教授。 [7]他是华盛顿大学人类与人工智能协作学习和操作中心 (HALO) 的主任。 [8]

陈一昕曾经先后担任华夏基金的首席数据官（CDO）和 首席技术官（CTO）。 在 2020 年Sensors数据驱动大会上，他被评为金融数字化转型年度领袖。

研究

陈一昕曾经发表大量学术著作。他的研究兴趣集中在机器学习、人工智能、优化算法、金融数据挖掘、计算生物医学等领域。[2]

资源优化的机器学习

陈一昕在深度神经网络 (DNN) 的紧凑性和适用性方面进行了重要研究。 他提出了轻量级 DNN 的概念和架构。 他的团队发明了 HashedNets 架构，该架构使用权重共享方案将超大规模 DNN 压缩成更小的网络。 [9]

陈一昕还开发了一种用于卷积神经网络 (CNN) 的压缩框架。 他的实验室发明了一种频率敏感压缩技术，可以更好地保留更重要的模型参数，从而获得最先进的压缩结果。[10]

图和时间序列的深度学习

陈一昕对图神经网络 (GNN) 做出了重大贡献。 他和学生提出了最早的图卷积技术之一DGCNN，可以从任意图中学习有意义的张量表示，并展示了它与 Weisfeiler-Lehman 算法的深层联系。[11]他们的SEAL算法率先将 GNN 应用于链接预测和矩阵补全，并取得了世界纪录的成绩。 [12]

对于时间序列分类，陈一昕团队提出了使用多尺度卷积神经网络，也称为 MCNN，理由是其计算效率高。 他说明 MCNN 通过利用 GPU 计算以不同的频率和尺度提取特征，这与其他只能在单一时间尺度上收回特征的框架相反。[13]

用于医疗保健的深度学习

陈一昕研究深度学习，重点关注其对公共医疗系统的影响。 他和他的合作者建议使用深度学习模型来预测医院患者的再入院模式，并提出了一种模型，该模型通过结论性特征嵌入和卷积神经网络的输入来利用传统统计数据。 这允许最终用户利用本地和时间信息以及整体趋势的评估。[14]他们还使用深度学习模型创建了 30 天术后死亡率的预测模型。[15]他还建议应用深度学习模型更有效地管理电子健康档案。 他进一步强调，由于其无与伦比的学习能力，深度学习方法的引入将简化脑电图、心电图、基因组学和药物分析的过程。 [16]

奖励和荣誉

  • 2006 - 能源部青年研究奖
  • 2007 - 微软青年教授奖[17]
  • 2010 - AAAI人工智能大会最佳论文奖[18]
  • 2020 - Sensors数据驱动大会金融数字化转型年度领袖
  • 2022 - 电气电子工程师学会（IEEE）会士[19]
  • 2023 - 亚太人工智能学会（AAIA）会士[20]

参考书目

图书

重要文章

  • Chen, Y., & Tu, L. (2007, August). Density-based clustering for real-time stream data. In Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 133-142).
  • Chen, W., Wilson, J., Tyree, S., Weinberger, K., & Chen, Y. (2015, June). Compressing neural networks with the hashing trick. In International conference on machine learning (pp. 2285-2294). PMLR.
  • Cui, Z., Chen, W., & Chen, Y. (2016). Multi-scale convolutional neural networks for time series classification. arXiv preprint arXiv:1603.06995.
  • Zhang, M., Cui, Z., Neumann, M., & Chen, Y. (2018, April). An end-to-end deep learning architecture for graph classification. In Proceedings of the AAAI conference on artificial intelligence (Vol. 32, No. 1).
  • Zhang, M., & Chen, Y. (2018). Link prediction based on graph neural networks. Advances in neural information processing systems, 31.

参考

  1. ^ Yixin Chen - Washington University in St.Louis. [2023-02-13]. （原始内容存档于2022-12-03）. 
  2. ^ 2.0 2.1 Yixin Chen - Google Scholar Profile. [2023-02-13]. （原始内容存档于2023-01-25）. 
  3. ^ Chen elected IEEE Fellow - McKelvey School of Engineering. [2023-02-13]. （原始内容存档于2023-06-09）. 
  4. ^ 2021 IEEE Conference on Big Data - IEEE. [2023-02-13]. （原始内容存档于2023-03-03）. 
  5. ^ Benjamin Wah - Wikipedia. [2023-02-13]. （原始内容存档于2023-04-13）. 
  6. ^ McKelvey School of Engineering - Washington University in St.Luois. [2023-02-13]. （原始内容存档于2023-08-28）. 
  7. ^ Yixin Chen - Washington University in St. Louis. [2023-02-13]. （原始内容存档于2022-12-03）. 
  8. ^ Faculty - Center for Collaborative Human-AI Learning and Operation. [2023-02-13]. （原始内容存档于2023-01-25）. 
  9. ^ Compressing neural networks with the hashing trick - ACM Digital Library. [2023-02-13]. （原始内容存档于2023-01-25）. 
  10. ^ Compressing Convolutional Neural Networks in the Frequency Domain - ACM Digital Library. [2023-02-13]. （原始内容存档于2023-06-26）. 
  11. ^ An end-to-end deep learning architecture for graph classification - ACM Digital Library. [2023-02-13]. （原始内容存档于2023-01-25）. 
  12. ^ Link prediction based on graph neural networks - ACM Digital Library. [2023-02-13]. （原始内容存档于2023-01-25）. 
  13. ^ Multi-Scale Convolutional Neural Networks for Time Series Classification - Cornell University. [2023-02-13]. （原始内容存档于2023-04-04）. 
  14. ^ Predicting Hospital Readmission via Cost-Sensitive Deep Learning - IEEE Xplore. [2023-02-13]. （原始内容存档于2023-08-03）. 
  15. ^ Deep-learning model for predicting 30-day postoperative mortality - NIH. [2023-02-13]. （原始内容存档于2023-01-25）. 
  16. ^ Applying Deep Learning to Individual and Community Health Monitoring Data: A Survey - Springer. [2023-02-13]. （原始内容存档于2023-05-10）. 
  17. ^ Chen receives Microsoft fellowship. [2023-02-13]. （原始内容存档于2023-06-02）. 
  18. ^ AAAI Conference Paper Awards and Recognition. [2023-02-13]. （原始内容存档于2023-01-31）. 
  19. ^ Chen elected IEEE Fellow - McKelvey School of Engineering. [2023-02-13]. （原始内容存档于2023-06-09）. "Chen elected IEEE Fellow - McKelvey School of Engineering" （页面存档备份，存于互联网档案馆）.
  20. ^ {{url=https://aaia-ai.org/fellows?words=Yixin%20Chen%7Ctitle=Asia Pacific Artificial Intelligence Association}}
取自“https://zh.wikipedia.org/w/index.php?title=陈一昕&oldid=79397588”