博士，1988年9月出生，清华大学自动化系助理教授，博士生导师。2009年和2015年分别从北京航空航天大学和清华大学获得本科和博士学位，2015年至2018年以博士后身份赴美国康奈尔大学计算机系从事科研工作。研究领域为机器学习与计算机视觉，主要致力于研究标注数据和计算资源有限环境下的学习与推理问题。其博士论文获得中国自动化学会优秀博士学位论文以及清华大学优秀博士论文一等奖。目前在NeurIPS，ICML，CVPR等国际顶级会议及IEEE多个汇刊共计发表学术论文30余篇，Google Scholar引用5000余次。曾获得全国百篇最具影响国际学术论文、CVPR最佳论文奖（DenseNet）、世界人工智能大会SAIL先锋奖以及吴文俊人工智能自然科学一等奖等奖励和荣誉。担任国际人工智能权威会议AAAI 2018 高级程序委员，以及NeurIPS, ICML, CVPR, ICCV, ECCV, ICLR, AAAI等国际学术会议和JMLR, TPAMI, IJCV, TIP, TNNLS等国际期刊审稿人。
代表性成果
- 提出密集连接卷积网络（DenseNet），通过引入密集跨层连接，改变了卷积神经网络沿用了数十年的逐层连接方式，大幅提升了网络的计算效率和泛化性能。该项研究在2017年获得计算机视觉顶级会议CVPR的最佳论文奖。图灵奖得主、卷积神经网络之父Yann LeCun教授在多次大会报告中将DenseNet列为当前主流深度卷积网络之一。该论文自2017年7月正式发表以来，Google Scholar引用3303次。
- 提出了随机深度网络（Stochastic Depth Network），为训练超深神经网络提供了简单实用的算法，并为理解深度神经网络工作机制以及网络的冗余性提供了重要启示。该论文被推荐为2016年NIPS Deep Learning Symposium仅有的8篇受邀大会报告论文之一，得到深度学习奠基人之一Yoshua Bengio教授等人的高度评价和一致强烈推荐。
- 提出了自适应推理神经网络，大幅提升了深度模型的推理效率，证明了自适应学习在深度学习中的可行性和巨大潜力。该论文被机器学习顶级会议ICLR录用为口头报告论文（录用率仅为2.2%），论文的审稿评分在935篇投稿文章中排名第4，其中一个审稿人给出了满分10分的评价。
拟研究项目名称：面向深度学习的自适应推理
所有文章
×