今日，2019 ACM 最佳博士論文獎公佈，畢業於特拉維夫大學的 Dor Minzer 獲得該獎項。此外，來自微軟的 Jakub Tarnawski 和出身清華姚班的吳佳俊獲得榮譽提名獎。 該獎項每年頒發一次，旨在獎勵電腦科學和工程領域最優秀的博士論文。畢業於特拉維夫大學的 Dor Minzer 博士憑藉論文《On Monotonicity Testing and the 2-to-2 Games Conjecture》獲得該獎項。 2019 ACM 最佳博士論文獎 這篇論文的主要貢獻是設定了測試布林函式單調性的複雜度，並在解決 UGC（Unique Games Conjecture）方面取得了重大進展。UGC 是近似演算法和複雜性理論中的最核心問題之一。 論文地址：http://www.cs.tau.ac.il/thesis/thesis/Minzer.Dor-Thesis-PhD.pdf 屬性測試器（property-tester）是非常高效的隨機化演算法，當資料量太大無法檢查時，該演算法可以確認物件是否滿足特定屬性。例如，檢查網際網路絡中任意兩臺計算機之間的距離不超過給定範圍。 在這篇論文的第一部分中，Minzer 提出一個能夠檢查布林函式單調性的最優測試器，解決了該領域中的一個著名難題。 複雜性理論致力於將可計算問題分類為可行的和不可行的。PCP 定理（用於機率可檢查證明）建立了能夠將近似問題分類為不可行的框架，表明它們是 NP-hard 問題。2002 年，Subhash Khot 提出了 UGC，這一猜想激發了一系列的研究，併產生了深遠影響。如果該猜想被證明是正確的，則它將解釋整個演算法問題大類的複雜性。 與其他猜想相反，UGC 一直存在爭議，社群中同時存在認可和質疑兩種聲音。儘管驗證該猜想的進展停滯不前，但關於該猜想的證據一直在積累，並且涉及到一些新的演算法技術。 在該論文的第二部分，Minzer 進行了確立該猜想的另一半路程，在此過程中他證明了用於駁斥 UGC 的最有力證據無效。即使 UGC 不能很快得到解決，Minzer 的論文在解決之前無法解決的問題方面也取得了重大進展。 關於 Dor Minzer Dor Minzer 博士畢業於以色列特拉維夫大學，現在新澤西州普林斯頓高等研究院（IAS）數學部做博後，將於 2020 年秋季加入 MIT 擔任助理教授。他的主要研究方向是計算複雜性理論、PCP 和布林函式分析。 個人主頁：https://sites.google.com/view/dorminzer/home 2019 ACM 最佳博士論文榮譽提名獎 2019 ACM 最佳博士論文榮譽提名獎頒給了瑞士洛桑聯邦理工學院（EPFL）博士 Jakub Tarnawski 和 MIT 博士吳佳俊。 Jakub Tarnawski 獲獎論文：瞄準組合最佳化領域 Jakub Tarnawski 的博士論文《New Graph Algorithms via Polyhedral Techniques》對組合最佳化領域中兩個最核心的問題——匹配問題和旅行商問題（traveling salesman problem, TSP），做出了突破性演算法進展。 論文地址：https://infoscience.epfl.ch/record/267500/files/ 這篇博士論文針對匹配問題進行了確定性並行演算法研究，這些工作受到電腦科學領域待解決難題——「隨機性是否有助於加速演算法」的啟發。Tarnawski 的論文透過對擁有三十年曆史的隨機化並行匹配演算法進行幾乎完全的非隨機化處理，實現了該問題的巨大突破。 該論文的另一項主要成果與旅行商問題相關，即找出給定 n 個城市的最短旅行路徑。1956 年，George Dantzig 等人利用線性規劃解決了該問題的一個特例。之後，其線性規劃成為組合最佳化領域中的主要開放性問題之一。Tarnawski 的論文漸進地解決了該問題，為不對稱旅行商問題提供了首個常數因子近似演算法。 Jakub Tarnawski 博士畢業於瑞士洛桑聯邦理工學院（EPFL），現在谷歌研究院擔任研究員。研究興趣為理論電腦科學與組合最佳化，具體而言其研究重點是圖演算法和近似演算法。他參與的研究被 NeurIPS、ICML、SODA、MICCAI 等多個學術會議接收，並獲得 FOCS 2017、STOC 2018 的最佳論文獎。 個人主頁：http://jakub.tarnawski.org/ 吳佳俊獲獎論文：探索 AI 感知物理世界的能力 吳佳俊在博士論文《Learning to See the Physical World》中，透過整合神經網路中自下而上的識別引擎和自上而下的模擬引擎、圖模型和機率規劃，推動 AI 在感知物理世界方面的發展。 論文地址：https://jiajunwu.com/papers/dissertation.pdf 儘管人工智慧在過去十年間取得了顯著進步，但當前的 AI 方法只能解決特定問題，需要大量的訓練資料，並且在泛化至新任務或新環境時容易崩潰。人類智慧揭示了人工智慧的發展之路還有多遠：給出單張影像，人類可以解釋看到的事物，重建 3D 場景，預測即將發生的事情，以及做出行動規劃。 吳佳俊的博士論文的主題是物理場景理解，即如何構建能夠學習觀察和推理物理世界並與之互動的高效通用機器。其核心思路是：將計算機圖形學、物理學和語言學中的模擬引擎，與深度學習進行整合，進而充分挖掘物理世界的因果結構。 這篇博士論文涵蓋感知、物理和推理多個領域的內容，旨在培養像人類一樣觀察和推理物理世界的人工智慧。此外，該論文融合了人工智慧的多個分支，解決了感知、動態建模和認知推理多個方面的關鍵問題。 論文作者吳佳俊現為史丹佛大學電腦科學系助理教授。他本科畢業於清華大學姚班，之後在麻省理工學院（MIT）相繼完成碩博階段的研究學習。他的研究興趣包括物理場景理解、動態模型和多模態感知。
