2026 AAAI / ACM SIGAI 博士论文联盟访谈合集

2026年博士论文联盟系列访谈的参与者。

每年，都会有一小群博士生被选中参加AAAI/SIGAI博士论文联盟。该计划为学生提供了一个机会，让他们在一个跨学科研讨会上，与一组资深研究人员一起讨论和探索自己的研究兴趣和职业目标。2026年期间，我们与部分学生进行了会面，以进一步了解他们的研究以及参加博士论文联盟的经历。在此，我们汇总了这些访谈。

访谈项方：多模态学习与具身智能

项方在新加坡南洋理工大学（NTU）攻读博士学位。概括而言，他的研究聚焦于多模态学习与具身智能。他试图弥合AI“看到”世界的方式（计算机视觉）与它“理解”语言的方式之间的差距。

访谈赵子健：通过强化学习实现交通零工系统中的劳动管理

赵子健目前专注于通过强化学习实现交通零工系统中的劳动管理。他的目标是提升系统效率，同时识别并减轻针对劳动者的算法歧视。赵子健是香港科技大学的博士生。

访谈Deepika Vemuri：可解释性与基于概念的学习

来自印度理工学院海得拉巴分校的博士生Deepika Vemuri正在研究可解释性与基于概念的学习。她从基于概念的学习视角切入，这一范式旨在通过高层次的、人类可理解的概念来引导模型的学习过程。

决策系统的因果模型：访谈Matteo Ceriscioli

Matteo Ceriscioli是俄勒冈州立大学的博士生，专攻因果性。具体而言，他正在研究因果发现以及面向决策系统的因果模型。其理念是将因果知识整合到智能体或决策系统中，使其更加可靠。

访谈宋欣蔚：网络化多智能体系统中的策略互动

宋欣蔚的研究聚焦于通过网络化多智能体系统中的策略互动，运用算法博弈论和多智能体强化学习。她是上海科技大学与北京通用人工智能研究院联合项目的博士生。

自动驾驶汽车安全评估的形式化验证：访谈Abdelrahman Sayed Sayed

Abdelrahman Sayed Sayed是法国古斯塔夫·埃菲尔大学的玛丽·斯克沃多夫斯卡-居里博士研究员，正在研究用于自动驾驶汽车安全评估的神经ODE（常微分方程）形式化验证。他的工作兼具理论性和应用性，具体应用于海洋与海事领域的自动驾驶车辆。

扩展多智能体系统：访谈耿明宏

耿明宏目前是新加坡管理大学的博士后研究员。他的研究问题是扩展多智能体系统。这可以是在系统中纳入更多智能体，也可以是将现有系统应用于更大规模的问题，例如更长时程的问题。

资源受限的图像生成与视觉理解：访谈Aniket Roy

Aniket Roy在约翰霍普金斯大学完成了计算机科学博士学位。他的研究主要聚焦于开发资源受限的图像生成与视觉理解方法。特别是，他探索了如何使现代生成模型在保持强劲性能的同时高效运行。

AI与心智理论：访谈Nitay Alon

Nitay Alon在希伯来大学和马克斯·普朗克控制论研究所获得博士学位。我们讨论了心智理论这一引人入胜的话题，以及它在欺骗性环境、多智能体系统中的表现、该领域的跨学科性质，还有何时应使用心智理论、何时不应使用。

研究大语言模型的特性：访谈Maxime Meyer

Maxime Meyer是新加坡国立大学数学系的博士生，主要兴趣是研究大语言模型的理论基础。他的目标是阐明支配这些模型的基本方程。

访谈Thi Kieu Khanh Ho：时间序列异常检测

Thi Kieu Khanh Ho专注于时间序列异常检测，即教会AI系统在复杂的真实世界数据流中识别何时发生了不寻常或异常的情况，而不依赖大量标注样本。她在麦吉尔大学和Mila——魁北克AI研究所电气与计算机工程系攻读博士学位。

研究多重性：访谈Prakhar Ganesh

Prakhar Ganesh是蒙特利尔麦吉尔大学三年级博士生，同时也隶属于Mila。概括而言，他的研究属于负责任AI领域，更具体地说，是一个名为“多重性”的主题。他与从事公平性、隐私、可解释性和安全性研究的研究人员合作。

让AI系统更透明、更可信：访谈Ximing Wen

Ximing Wen是费城德雷塞尔大学信息科学专业的博士候选人。她的研究旨在让AI系统更透明、更可信。她致力于构建能够展示其推理过程并指出其输出背后证据的模型，以便人们能够真正信任AI告诉他们的内容，尤其是在医疗保健和法律文件审查等领域。

强化学习应用于自动驾驶汽车：访谈Oliver Chang

Oliver Chang是加州大学圣克鲁兹分校的计算机科学博士候选人，他将强化学习应用于训练对抗性智能体，以发现自主系统中的漏洞。我们进一步了解了他迄今为止参与的一些项目、是什么吸引他进入这一领域，以及他对哪些未来AI方向感到兴奋。

扩展强化学习中的奖励结构：访谈Tanmay Ambadkar

Tanmay Ambadkar正在宾夕法尼亚州立大学攻读博士学位。他研究强化学习中的奖励结构，目标是提供可泛化的解决方案，这些方案能够提供稳健的保证并且易于部署。

相关文章：

用于临床时间序列预测的机器学习：访谈Mayra Elwes

你能自学检测AI写作吗？也许可以

访谈William Yijiang Li：视觉语言模型与物理世界

即将举行的机器学习和AI研讨会：2026年10月版

用神经形态计算重建大脑：访谈Oliver Rhodes

面向协作式自动驾驶汽车的使用自然语言通信的神经符号规划

AIhub月度文摘：2026年9月——追踪动物种群、推荐系统，以及访谈Ken Goldberg

AI驱动的平台揭示组织细胞区室的蛋白质