唐业辉

作为北京大学智能学院2018级直博生，唐业辉主要研究机器学习和计算机视觉，以神经网络架构设计、模型压缩、无监督学习为主要方向，曾获得国家奖学金、北京大学校长奖学金、北京大学学术创新奖、北京大学三好学生标兵等奖项和荣誉称号。他曾在NeurIPS、CVPR等机器学习和计算机视觉顶级会议上发表多篇论文，并担任NeurIPS、ICML、CVPR、ICCV、ICLR、IEEE T-PAMI等顶级会议和期刊的审稿人。

基于波函数的视觉多层感知机架构

随着研究的深入，唐业辉希望能够提出一些通用的压缩方法，解决一般模型计算代价高的难题。在这一阶段，基于现有架构的通用优化方法是他研究的主要内容。为此，他提出了基于科学控制法的通用神经网络剪枝方法，鲁邦地挖掘网络冗余，适用于多类模型，同时提出动态剪枝策略，针对样本特性，自适应地修剪模型，并针对新型架构视觉Transformer，首创了特征块维度的修剪方案，大幅提升了模型的推理效率。而在唐业辉对神经网络架构领域有一定了解之后，他便尝试摆脱现有框架的束缚，做出一些创新研究。相比卷积网络和Transformer，唐业辉将精力放在了架构更为简洁的多层感知机MLP上。他提出了一种基于波函数的图像块表示方法，大幅提升了多层感知机的性能，实现了复杂模型才能有的精度。

唐业辉希望能将研究成果在具体业务场景中应用落地，为此他积极参与众多合作项目，将研究与应用相结合。例如手机、智能车等终端设备，计算资源有限的同时却对模型实时性有很高的要求，这导致很多学术界中性能优越的方法在工业界无法使用。针对实际场景中出现的问题，唐业辉一方面利用模型压缩技术加速网络推理，使计算资源巨大的深度模型能够在智能车等终端设备上部署；另一方面，他直接针对平台特性，打造了硬件亲和的轻量化网络。

对前沿技术的好奇与热爱，让唐业辉以一种积极开放的心态去拥抱新技术。未来，他希望能够继续在人工智能这个广阔的领域深耕，在探索产研转化中挖掘青年价值，在学习科研中贡献青春力量。