卡耐基梅隆大学计算机科学科研项目

Carnegie Mellon University Computer Science Research

项目简介

随着社会的发展，人机交互技术不变改变着人类的生活发展，未来人机交互设计将会给人们带来更加轻松、舒适的生活,正如尼葛洛庞蒂在《数字化生存》中所预言,“下个十年的挑战将远远不只是为人们提供更庞大的屏幕、更好的音乐和更易使用的图形输入装置;这挑战将是:让电脑认识你,懂得你的需求,了解你的言词,表情和肢体语言。从预言中可以看到,未来的设计中以人为中心的理念将会得到进一步的体现,人们在工作环境里不仅会在生理上觉得舒适,而且在心理上也会达到愉悦,那时候人们的生活会变得更加便捷、美好。

本次科研是卡耐基梅隆大学Computer Human Interaction实验室 and 计算机科学与计算生物学实验室的项目，旨在让学生对人机交互中隐私和安全，移动计算和普适计算的概念和所应用的技术；机器学习和统计方法的发展，特别是解决在社会和生物系统中涉及高维、多模态和动态的可能世界的自动学习、推理和决策的问题有一个全面而详尽的了解，在导师的带领下对最前沿科学进行学习和讨论，在科研中学生有机会接触到最新的技术及其如何在现实生活中应用。

   在科研完成后，学生了解到计算机科学的整体流程和框架，并对现代人机交互技术和计算生物学发展有清晰的认识，对学生以后选择未来的专业和人生规划提供帮助。

科研主题

以下领域内的相关课题，具体课题根据学生的基础，导师面试后确定。

Privacy and security ［可⽤的隐私和安全］

Mobile computing and pervasive computing［移动计算和普适计算］

Machine learning intelligent programming system［机器学习智能⼿机编程操作系统］

Calculation of class I［⼈类⾏为计算］

Computer network computing manufacturing［计算机⽹络计算制造］

Machine learning  [ 机器学习 ]

High dimensional statistics  [ 高维统计 ]

Computational biology [ 计算生物 ]

科研内容（参考课题）

科研内容包含但不限于以下方向的科研课题（人机交互课题详见手册最后一页示例）：

研究模块1：高维数据中的模型选择

关键词：机器学习，数据挖掘，统计，高维统计，模型选择，可以应用在以计算生物学为主的多个领域。

     这个大数据的时代见证了数据量的海量增长，在数据量的海量增长的同时，每一个数据所携带的信息在以更快的速度增长，带领我们来到了一个高维数据的世界。在机器学习或者统计学领域，我们通常称那种特征的数量比数据本身的数量多的问题成为“高维问题”。很直观地，我们可以预见此类高维问题的难度：我们将不会有足够的信息来学习这些特征。从统计学和机器学习的角度讲，这个世界还没有办法解决相关问题。

研究模块2：深度学习的最新应用

关键词：深度学习，在医疗，多媒体的各种新时代数据上的应用。

    深度学习是这个时代最火的话题，对于其相关的特点和简介请见我们最新的论文[1]。然而，想要很好的使用深度学习来处理相关问题，研究人员需要很好的了解问题的本身来设计出合理的模型。例如，选择叠加网络[2] 就是一个特别设计的用来处理非同源数据的深度学习模型。在相关论文中，该网络之于传统的模型展现了极强的优势。这个项目主要鼓励同学们去使用选择叠加网络探索更多的相关应用。比如：多模态情感分析、医疗健康相关应用、人类基因组探索。还可以从选择叠加网络出发，对模型和优化方法本身进行探索。

研究模块3：通过深度增强学习建立生物数据库

关键词：深度增强学习，信息提取

    随着深度学习的发展，深度增强学习也高歌猛进。前些日子在围棋界大展拳脚的alphaGO便是一个证明，据悉，很快就可以诞生擅长于星际争霸的深度增强学习算法了。我们这个项目的原理与这些项目相似，但是应用更加实际。这个项目主要是要求同学们使用深度增强学习来获取信息，自动化地建立一个关于生物医疗知识的数据库，比如，我们将用到这两篇文献使用的技术[1, 2] 。这个项目需要很多不同角度的同学的帮助。擅长变成或者深度学习相关理论固然好，但是没有任何相关背景的同学也可以找到用武之地。

研究模块4：计算生物学时下热点探讨

关键词：计算生物学，机器学习，数据挖掘，文献阅读

    这个项目的目标很简单：我们一起浏览当下在计算生物学最热点的论文（例如[1,2,3]），然后一起共同探讨。通过这个项目，每个同学的学术水平，学习能力，展示，写作的技巧都将有所提升。此外，同学们还可以获得今后科研的相关背景知识。这个项目尤其适合没有过硬背景的同学。

不同的科研课题适合不同基础和发展目标的同学：

高级深度学习科研项目，适合真正想挑战科研最高峰的同学，表现优秀的可以发表国外学术论文；

深度学习：新方法和新应用，适合将来比较想创业的同学；

高维数据中的变量选择，适合统计专业的同学；

经典机器学习应用：计算金融，表现优秀的可以推荐到纽约梅隆银行实习；

经典机器学习应用：计算生物学，适合其他的感兴趣的同学；

基因组研究结果的可视化：适合对人机交互感兴趣的同学；

设计并实现遗传关联数据库项目的Web界面：适合对人机交互感兴趣的同学；