近日，新一届 ACM 博士论文奖正式公布。哈佛大学博士后钻研员 Manish Raghavan 因其在「理解算法计划及其社会影响」方面的贡献得到了 2021 年度 ACM 博士论文奖。同时，最新一届的名誉提名奖授予了斯坦福大学的 Dimitris Tsipras，以及google钻研院的 Pratul Srinivasan、Benjamin Mildenhall 二人，他们是神经辐射场 (NeRF) 表征、相关算法和理论的提出者。
ACM 博士论文奖每年颁发一次，旨在奖励计算机科学与工程领域最佳的博士论文的作者。博士论文奖的奖金为 2 万美元，名誉提名奖的奖金总共有 1 万美元。
2021 年 ACM 博士论文奖
Manish Raghavan 因其论文《算法计划的社会影响》得到 2021 年 ACM 博士论文奖，据官方公告，该论文对理解算法计划及其社会影响做出了重大贡献，包括关于算法偏见和公平性问题的基础性成果。
Raghavan 现在是哈佛计算与社会钻研中心的博士后钻研员。他的主要兴趣是将计算技术应用于社会关注的领域，包括算法公平和行为经济学，特别关注在招聘渠道中使用的算法工具。此前，Raghavan 在加州大学伯克利分校得到了电气工程和计算机科学学士学位，在康奈尔大学得到了计算机科学硕士学位和博士学位。
算法公平性是人工智能中的一个领域，尽管处于职业生涯的早期阶段，但 Raghavan 一直是塑造这一钻研方向和重点的领军人物之一。
在这篇获奖博士论文中，Raghavan 从多个维度讨论了算法计划的社会影响。第二部分讨论了利用理论模型来解决算法计划带来的挑战以及克服这些挑战的潜在途径；第三部分讨论了行为模型以更好地理解算法和人类计划之间的相互作用；第四部分探索了这些洞察如何在实践中体现，并钻研了在就业和信用评分情况下的应用；第五部分总结了未来钻研的一些开放方向。
论文链接：
https://ecommons.cornell.edu/bitstream/handle/1813/110626/Raghavan_cornellgrad_0058F_12490.pdf?sequence=1&isAllowed=y
NeRF 提出者获名誉提名奖
2021 年 ACM 博士论文奖的名誉奖分别由斯坦福大学的 Dimitris Tsipras 以及google钻研院的 Pratul Srinivasan、Benjamin Mildenhall 得到。
Dimitris Tsipras 的论文《Learning Through the Lens of Robustness》因其在对抗性鲁棒性机器进修钻研和构建用于训练可信机器进修模型的高效工具方面的基础贡献而受到认可。
Dimitris Tsipras 是斯坦福大学的博士后学者。他的钻研重点是理解和提高机器进修系统在面对现实世界时的可靠性。Tsipras 毕业于雅典国立技术大学的电气和计算机工程系，并在麻省理工学院取得计算机科学硕士和博士学位。
Tsipras 的钻研做出了多项开创性贡献，推动了当今 ML 面临的最大挑战之一的解决：让 ML 真正为实际部署做好准备。
论文链接：https://dspace.mit.edu/handle/1721.1/140148
Pratul Srinivasan 和 Benjamin Mildenhall 因提出神经辐射场 (NeRF) 表征、相关算法和理论以及将其成功应用于视图分解问题，共同得到了本届名誉提名奖。
论文链接：https://arxiv.org/pdf/2003.08934.pdf
NeRF 的提出激发了大量的后续钻研，相关出版物在计算机图形学文献中实现了增长极快的引用率，迄今引用量已破千。
ACM 官方公告表示，Srinivasan 的论文《深度进修视图分解的场景表征》和 Mildenhall 的论文《视图分解的神经场景表征》解决了计算机视觉和计算机图形学中一直以来悬而未决的问题。该问题在视觉中称为「视图分解」，在图形中称为「非结构化光场衬着」，涉及仅拍摄场景的少量照片并从任何中间视点预测新图象。
Pratul Srinivasan 是google的一名钻研科学家，专注于计算机视觉、计算机图形学和机器进修交叉领域的问题。他在杜克大学得到生物医学工程学士学位和计算机科学学士学位，在加州大学伯克利分校得到计算机科学博士学位。
论文链接：https://www2.eecs.berkeley.edu/Pubs/TechRpts/2020/EECS-2020-214.pdf
从图象中重建逼真的场景表征一直是计算机视觉和图形学的一个长期目标，以往钻研通常使用来自标准计算机图形学 pipeline 的表征来解决，如三角网格（triangle mesh），但这一方法不太适合端到端的优化，从而影响了最大限度地提高衬着图象的逼真度。
Srinivasan 的博士论文《Scene Representations for View Synthesis with Deep Learning》探讨了三维场景如何表征的问题，这样的表征可以有效地估计从标准的照片，然后可以用来从新的不可观测的视角分解同一场景的图象。
最近，Srinivasan 一连七项关于 NeRF 的钻研入选了 CVPR 2022，其中五篇 Benjamin Mildenhall 也参与了钻研。
Benjamin Mildenhall 是google钻研院的一名钻研科学家，主要钻研计算机视觉和图形方面的问题。他在斯坦福大学得到了计算机科学和数学学士学位，在加州大学伯克利分校得到计算机科学博士学位。
视图分解是指使用一组给定的输入图象从新的视角衬着场景。最近的一些方法结合了深度进修和立体衬着技术来得到逼真的图象质量。然而，这些方法依赖于密集的 3D 网格表征，只允许少量的本地相机运动，且很难扩展到高分辨率。
论文链接：https://www2.eecs.berkeley.edu/Pubs/TechRpts/2020/EECS-2020-223.pdf
Mildenhall 的博士论文《Neural Scene Representations for View Synthesis》提出了一种新的基于神经辐射场的视图分解方法，该方法可以高效地将场景表征为由神经网络权值参数化的连续函数。
参考链接：https://awards.acm.org/doctoral-dissertation
原创文章，作者：机器之心，如若转载，请注明出处：https://www.iaiol.com/news/27733
