新加坡国立大学 (NUS)LEE Wee Sun教授申请攻略

成功上岸的师兄师姐们都说，联系导师是他们上岸过程中至关重要的步骤之一，找到适合自己的导师，与心仪导师取得联系并获得认可非常重要！从本期开始，我们将为大家介绍热门院校的导师，帮助同学们了解导师的研究方向，招收学生情况，帮助大家更好的进行申请定位！ 本期，我们将为大家介绍新加坡国立大学计算机学院的导师！

硕博申请 @ 新加坡国立大学 (NUS)

01 · 导师简介

LEE Wee Sun教授是新加坡国立大学计算机科学系的教授,目前担任计算机科学系系主任。他1992年毕业于昆士兰大学,获得计算机系统工程学士学位;1996年获得澳大利亚国立大学博士学位。此后他曾在澳大利亚国防军校担任研究员,新加坡麻省理工学院联盟担任研究员,并在麻省理工学院担任访问科学家。

LEE教授的主要研究兴趣包括机器学习、不确定性规划和近似推理。他的研究成果在人工智能和机器人领域的顶级会议和期刊上发表,曾获得IJCAI-JAIR最佳论文奖(2022)、RSS持久影响力奖(2021)、IROS RoboCup最佳论文奖(2015)、UAI谷歌最佳学生论文奖(2014,指导教师)等诸多奖项。他还担任NeurIPS、ICML、AAAI、IJCAI等人工智能和机器学习会议的领域主席,以及ACML的程序主席、会议主席和期刊主编,目前担任ACML指导委员会主席。

02 · 导师研究概况

LEE教授在人工智能和机器学习领域有广泛的研究兴趣,他的研究融合决策规划、机器学习、近似推理等多个领域。

主要研究方向包括:

算法归纳偏置:研究如何针对目标任务设计有效的深度学习结构,通过将任务相关算法展开为计算图并引入可学习近似器,捕捉重要的信息流。

从视觉和语言输入中学习推理和规划:探索如何利用深度学习的最新进展,在统一的学习架构中有效结合视觉、语言、推理、学习等不同AI子领域的方法。

不确定性规划:研究如何在复杂、动态和不确定的环境中进行决策和规划,开发高效的近似算法。他开发的DESPOT算法赢得ICAPS 2011和2014年概率规划竞赛冠军。

序列标注和分割:开发考虑高阶依赖的条件随机场算法,用于文本序列标注和图像分割等任务。

03 · 研究解析

LEE教授在顶级人工智能期刊和会议上发表了大量论文,以下是一些代表性工作:

PF-GNN(ICLR 2021):基于粒子滤波的可微分近似算法,用于学习通用图表示。

因子图神经网络(NeurIPS 2020):将因子图作为归纳偏置,设计用于关系推理的图神经网络模型。

粒子滤波RNN(AAAI 2020):将序列建模中的RNN与贝叶斯滤波中的粒子滤波相结合,用于时间序列预测。

可微分算法网络(RSS 2019):将规划和控制算法"神经化",得到可端到端训练的可复合机器人学习模型。

DESPOT(JAIR 2017):一种在线POMDP近似规划算法,通过适应性地选择信念点并用于构建稀疏近似信念树,在保证性能的同时提高求解效率。

04 ·需做哪些申请准备？

LEE教授所在的研究组主要从事机器学习、AI规划和机器人方面的研究。有志申请的同学需要具备扎实的数学、统计学和计算机科学基础,熟练掌握常见的机器学习算法,并对强化学习、序列决策、概率图模型等方向有所了解。

此外,申请者需要展示出色的编程能力和动手实践经验。熟练掌握Python、PyTorch等常用科研工具,有机器学习竞赛获奖或者相关领域发表经历将是申请的有利砝码。

申请材料除了成绩单、语言成绩、推荐信等常规申请材料外,还需要准备一份有针对性的个人陈述,表达对LEE教授研究方向的兴趣和未来研究计划。

05 ·导师近年招收学生情况

他对学生指导非常用心,学生在他指导下都能取得优异的科研成果。但竞争也相对激烈,每年录取的博士生一般不超过2名。

LEE教授的学生毕业后,一般都在业界和学界取得了很好的发展。如他指导的博士生Hanna Kurniawati因论文"SARSOP:Efficient point-based POMDP planning by approximating optimally reachable belief spaces"获得了RSS 2021 的Test of Time Award。

06 ·研究想法举例

研究主题：将因子图神经网络与强化学习相结合,用于不确定环境下的多智能体协同决策。

用因子图建模多个智能体之间的关系依赖,设计图神经网络对其进行编码和推理。

在单个智能体决策时,通过可微分的近似算法(如PF-GNN)引入贝叶斯推理,对环境不确定性进行建模。

多个智能体在探索环境时通过图神经网络同步信息,协同学习一个全局策略。

在线结合DESPOT等不确定性规划算法,生成满足约束的安全、鲁棒策略。

这一研究将因子图神经网络引入多智能体强化学习,并用近似推理处理了环境中的不确定性,有望让多个智能体在复杂环境中实现更高效、更可靠的协同决策。这对自动驾驶、搜救机器人等需要多智能体协作的实际任务具有重要意义。

07 ·师兄师姐有话说

申请经验: 申请LEE Wee Sun教授的博士项目需要有扎实的机器学习理论功底和编程实践能力。在申请前,建议多阅读教授发表的论文,了解他的最新研究进展。申请材料中,特别是个人陈述,要突出你在相关领域的技能和经验,表达对教授研究方向的浓厚兴趣,并提出自己未来想探索的研究问题。此外,提前与教授邮件沟通,表达你的研究兴趣和想法,让教授对你有初步印象,也可以增加申请成功的概率。

创新思考: LEE教授在机器学习、规划、推理等领域已经开展了许多开创性的工作。未来进一步的研究方向可以考虑将因果推理与强化学习相结合。多数强化学习算法假设智能体对环境的交互遵循固定的转移概率,但现实中环境往往是非平稳动态变化的。因果模型可以刻画环境中的变量之间的因果依赖关系,引导智能体学习环境变化的内在机制。将因果推理整合到强化学习框架中,有望让智能体习得更鲁棒、泛化能力更强的策略,应对环境中的各种干扰变化。这个方向有很多有趣的问题可以探索,相信会给智能体的自主决策和适应能力带来重要突破。

08 ·如何写自己的个人陈述？

我们举一个简单的例子： 我在X大学计算机系学习期间,主修机器学习方向,主要课程包括机器学习导论、深度学习、自然语言处理等,均取得A等成绩。

大三时,我在X实验室参与了一个关于基于强化学习的机器人导航项目。我负责算法实现和实验分析,通过引入层次化的记忆机制,提升了导航策略的长期规划能力。这一工作发表在ICRA 2022上。

去年暑假,我在Y公司实习,参与开发一个基于图神经网络的推荐系统,实现了用户点击率的显著提升。我还多次参加Kaggle竞赛,在Home Credit Default Risk预测竞赛中获得top 5%的成绩。这些经历让我对机器学习的算法原理和实际应用有了更深刻的理解,也坚定了我投身机器学习研究的决心。

LEE教授在机器人学习、序列决策等方面的工作非常契合我的兴趣。我期待能在他的指导下,继续研究如何利用近似推理和强化学习,让机器人在复杂环境中实现自主决策和持续学习。