顧全全，美國加州大學洛杉磯分校計算機科學系助理教授（截至2022年），主要從事統計機器學習與人工智慧領域研究，重點探索非凸最佳化算法及深度學習理論基礎。2022年2月，獲得美國艾爾弗·斯隆基金會公布的2022斯隆研究獎（Sloan Research Fellowships）。他於2007年和2010年分獲清華大學自動化專業學士、控制科學與工程碩士學位，2014年獲伊利諾伊大學香檳分校計算機科學博士學位。
其研究成果包括首次理論證明專家混合模型（MoE）在深度學習中的有效性，並提出梯度下降法在過參數化神經網路中的最佳化機制。2022年因其在非凸最佳化與深度學習理論領域的突破性貢獻，獲頒“諾獎風向標”斯隆研究獎。截至2024年，其學術成果已在ICML等頂級會議發表多篇論文，指導的學生任職於杜克大學等國際知名高校。
基本介紹
- 國籍：中國
- 畢業院校：清華大學、伊利諾伊大學香檳分校
- 現任職務：加州大學洛杉磯分校統計機器學習實驗室主任
- 主要獎項：2022年斯隆研究獎
- 研究方向：非凸最佳化、深度學習理論
- 學術榮譽：2017年美國NSF傑出青年學者獎，2022年斯隆研究獎
教育背景,學術貢獻,榮譽與獎項,學術活動,
教育背景
2003-2007年：清華大學自動化系本科，獲學士學位
2007-2010年：清華大學控制科學與工程專業碩士
2010-2014年：美國伊利諾伊大學香檳分校計算機科學博士
學術貢獻
非凸最佳化算法研究提出基於動態數據特徵的非凸最佳化理論框架，為大規模異構數據處理提供數學基礎，套用於深度神經網路訓練中的梯度下降收斂性證明。顧全全的主要研究方向為統計機器學習，重點是開發和分析機器學習中的非凸最佳化算法，以理解大規模、動態、複雜和異構的數據，並為深度學習奠定理論基礎。
專家混合模型理論突破2024年研究成果表明，具有簇結構特徵的分類問題通過專家混合模型（MoE）可解決單模型無法處理的複雜任務，首次從理論層面闡釋MoE防坍塌機制。
榮譽與獎項
2015年：雅虎學術職業發展獎
2017年：美國自然科學基金委傑出青年學者成就獎
2020年：國際人工智慧聯合大會青年學者焦點報告人
2022年：計算機領域斯隆研究獎
學術活動
2019年12月：在杭州電子科技大學作《過參數化深度神經網路的最佳化與泛化》專題報告
2024年10月：將於上海人工智慧實驗室“星河Talk”進行專家混合模型主題演講
