Хао ван: Ван Хао — биография, карьера, достижения, даты жизни

ВАН ХАО

Звезда молодого шахматиста из Харбина взошла очень рано – Ван Хао стал призером чемпионата мира среди юношей до 10 лет, хотя в турнире играли такие вундеркинды, как Сергей Карякин, Магнус Карлсен и Ян Непомнящий. Затем в составе сборной Китая выиграл две детские Олимпиады, в последней из которых занял первое место на первой доске с результатом 8 из 10.

В 2005 году 15-летний китайский шахматист выходит в Кубок мира из зонального азиатского турнира и удостаивается звания гроссмейстера после блестящей победы в Куала-Лумпуре. В 2007 году становится вторым призером личного чемпионата Азии и бронзовым медалистом чемпионата мира среди юниоров. Неоднократный победитель командного первенства Азии в составе сборной Китая. Чемпион своей страны (2010).

Славу непревзойденного командного бойца Ван Хао подтвердил, играя за клуб «ШСМ-64», который во многом стараниям своего восточного легионера дважды выигрывал командный чемпионат России. В 2011 году был спарринг-партнером Левона Ароняна, готовившегося к матчам претендентов в Казани. В беседе с журналистом Ильей Одесским Аронян назвал своего помощника «самым гениальным шахматистом современности».

На пике карьеры рейтинг Ван Хао достигал отметки 2752, а за доской молодой гроссмейстер побеждал практически всех элитных шахматистов, включая последних чемпионов мира Виши Ананда и Магнуса Карлсена. В 2010 году отобрался в финал «Кубка Большого Шлема» в Шанхае, где сразился с Владимиром Крамником, Алексеем Шировым и Левоном Ароняном.

В 2011 году стал серебряным медалистом командного чемпионата мира в составе сборной Китая, показав лучший результат на своей доске.

Юрий Васильев (2011 год): «Марк Глуховский, главный редактор журнала «64» и капитан команды ШСМ «64», очень много хорошего рассказал мне о Ван Хао, который вот уже три года играет за их коллектив. Коллеги-шахматисты даже прозвали китайца Чебурашкой – за постоянную улыбчивость, добрый и отзывчивый нрав.

Ван Хао живет в Харбине, где, как он мне сказал, много русских. Учится в университете на историческом факультете. Шахматы в Китае не пользуются большой популярностью, признался он. Для сравнения: в Поднебесной насчитывается порядка 200 000 профессиональных игроков в го, а в шахматы только 30. Больших целей Ван Хао перед собой не ставит, просто стремится играть всё лучше и лучше».

В 2017 году Ван Хао выиграл крупный опен-турнир в Шардже, а также чемпионат Азии в Ченду, где опередил по коэффициенту своего соотечественника Бу Сянчжи. В октябре 2019 Ван Хао занял первое место в Grand Swiss Tournament на острове Мен и благодаря этому завоевал путевку в турнир претендентов 2020 года. В конце того же года китайский гроссмейстер выиграл Yinzhou Cup в Нинбо. 

Первый круг турнира претендентов (Екатеринбург-2020) Ван Хао провел в борьбе за лидерство, а второй круг, состоявшийся через год, провалил и занял последнее место. После этого китайский гроссмейстер заявил, что уходит из профессиональных шахмат. 

Ван Хао. Последние новости — РИА Новости Спорт

Регистрация пройдена успешно!
Пожалуйста, перейдите по ссылке из письма, отправленного на

РИА Спорт

За период

материалов

Еще

Ван ХаоШахматыКирилл АлексеенкоМагнус КарлсенАлександр ГрищукЯн НепомнящийАниш ГириДин Лижэнь

Еще

Ван ХаоШахматыАниш ГириКирилл АлексеенкоДин Лижэнь

Еще

Ван ХаоЯн НепомнящийШахматыСергей Смагин

Еще

Ван ХаоЯн НепомнящийШахматыАниш Гири

Еще

Ван ХаоШахматыАниш ГириДин Лижэнь

Еще

Ван ХаоШахматыАниш ГириДин Лижэнь

Еще

Ван ХаоШахматыАниш ГириКирилл АлексеенкоДин Лижэнь

Еще

Ван ХаоОлимпийские игрыЕкатеринбургМоскваШахматыАниш Гири

Еще

Ван ХаоАлександр ГрищукШахматыАниш ГириФабиано КаруанаДин Лижэнь

Еще

Ван ХаоЕкатеринбургШахматыАниш ГириДин Лижэнь

Еще

Ван ХаоШахматыСергей СмагинАниш ГириФабиано Каруана

Еще

Ван ХаоАркадий ДворковичЯн НепомнящийШахматыМаксим Вашье-ЛагравМеждународная федерация шахмат (FIDE)

Еще

Ван ХаоМагнус КарлсенШахматыМеждународная федерация шахмат (FIDE)Дин ЛижэньСпорт в условиях пандемии коронавируса

Еще

Ван ХаоАлександр ГрищукШахматыМеждународная федерация шахмат (FIDE)Аниш ГириДин ЛижэньСпорт в условиях пандемии коронавируса

Еще

Ван ХаоОлимпийские игрыАлександр ГрищукСпортивный арбитражный судШахматыМеждународная федерация шахмат (FIDE)Интервью РИА СпортАниш ГириДин ЛижэньСпорт в условиях пандемии коронавируса

Еще

Александр ГрищукШахматыМеждународная федерация шахмат (FIDE)Спорт в условиях пандемии коронавируса

Еще

ШахматыАндрей ФилатовМеждународная федерация шахмат (FIDE)

Еще

Сергей КарякинШахматы

Еще

Сергей КарякинШахматы

Еще

Ян НепомнящийАлександра ГорячкинаШахматы

Еще 20 материалов

Вход на сайт

Почта

Пароль

Восстановить пароль

Зарегистрироваться

Срок действия ссылки истек

Назад

Регистрация на сайте

Почта

Пароль

Я принимаю условия соглашения

Войти с логином и паролем

Ваши данные

Восстановление пароля

Почта

Назад

Восстановление пароля

Ссылка для восстановления пароля отправлена на адрес

Восстановление пароля

Новый пароль

Подтвердите пароль

Написать автору

Тема

Сообщение

Почта

ФИО

Нажимая на кнопку «Отправить», Вы соглашаетесь с Политикой конфиденциальности

Задать вопрос

Ваше имя

Ваш город

Ваш E-mail

Ваше сообщение

Сообщение отправлено!


Спасибо!

Произошла ошибка!


Попробуйте еще раз!

Обратная связь

Чем помочь?

Если ни один из вариантов не подходит,
нажмите здесь для связи с нами

Обратная связь

Чтобы воспользоваться формой обратной связи,
Вы должны войти на сайт.

Разблокировать аккаунт

Вы были заблокированы за нарушение
правил комментирования материалов

Срок блокировки — от 12 до 48 часов, либо навсегда.

Если Вы не согласны c блокировкой, заполните форму.

Назад

Разблокировать аккаунт

Имя в чате

Дата сообщения

Время отправки сообщения

Блокировался ваш аккаунт ранее?

ДаНет

Сколько раз?

Удалили мое сообщение

Ваше сообщение было удалено за нарушение
правил комментирования материалов

Если Вы не согласны c блокировкой, заполните форму.

Назад

Удалили мое сообщение

Чтобы связаться с нами, заполните форму ниже:

Ваше сообщение

Перетащите, или выберите скриншот

Связаться с нами

Если вы хотите пожаловаться на ошибку в материале, заполните форму ниже:

Ссылка на материал

Опишите проблему

Перетащите,
или выберите скриншот

Связаться с нами

Чтобы связаться с нами, заполните форму ниже:

Ваше сообщение

Перетащите,
или выберите скриншот

Показать

Хао Ван, доцент, Rutgers CS

Я доцент кафедры компьютерных наук Университета Рутгерса. Ранее я был научным сотрудником с докторской степенью в лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института, работая с профессорами Диной Катаби и профессором Томми Яакколой. Я получил степень доктора философии на факультете CSE Гонконгского университета науки и технологий. Моим научным руководителем был профессор Дит-Ян Юнг. Я был приглашенным ученым, работавшим с группой профессора Эрика Сина на факультете машинного обучения Университета Карнеги-Меллона. Я также являюсь сотрудником Microsoft и получил исследовательскую стипендию Baidu. До получения докторской степени я получил степень бакалавра наук в Шанхайском университете Цзяо Тонг в 2013 году под руководством профессора Ву-Джун Ли.

Электронная почта: hoguewang AT gmail.com / hw488 AT cs.rutgers.edu / hogue.wang AT rutgers.edu / hwang87 AT mit.edu

Вербовка: Я набираю аспирантов, начиная с осени 2023 года, а также стажеров. Напишите мне, если вы заинтересованы в сотрудничестве со мной в Rutgers.

[Твиттер]
[Фейсбук]
[Гитхаб]
[ЛинкедИн]

Мои исследовательские интересы сосредоточены на статистическом машинном обучении и глубоком обучении. В настоящее время я в основном работаю над байесовским глубоким обучением, вероятностными графическими моделями, совместной фильтрацией и их приложениями в здравоохранении, рекомендательными системами, компьютерным зрением, обработкой естественного языка, интеллектуальным анализом данных и анализом социальных сетей.

  • Наша статья о байесовском глубоком обучении для адаптации предметной области «Вариативный байесовский индекс индексации предметной области для адаптации предметной области» принята в ICLR (1/20/23).
  • Наша статья Nature Medicine о машинном обучении для здоровья «Обнаружение и оценка болезни Паркинсона с помощью искусственного интеллекта с использованием сигналов ночного дыхания» была выбрана журналом Nature Medicine в качестве одного из десяти заметных достижений 2022 года ( 10. 01.23).
  • Мы организуем семинар CVPR 2023 на тему «Новые рубежи в рассуждениях на визуальном языке: составность, подсказки и причинность» (15.12.22).
  • Наша статья о байесовском глубоком обучении для распознавания речи и обучения «Неконтролируемая локализация несоответствия в кросс-модальных последовательных данных с применением локализации неправильного произношения» принята в TMLR (12/8/22).
  • Наша статья о байесовском глубоком обучении для федеративного обучения «FedNP: к федеративному обучению без IID посредством федеративного нейронного распространения» принята в АААИ (18.11.22).
  • Наша статья о каузальных и контрфактуальных рекомендательных системах,
    «Явное увеличение контрфактических данных для рекомендаций» принято в WSDM (18.10.22).
  • Наши статьи о байесовском глубоком обучении, непрерывной потоковой адаптации предметной области и пространственно-временном прогнозировании,
    «Экстраполяционная байесовская нейронная сеть с непрерывным временем для быстрой адаптации к тестовому времени без обучения» и
    «Earthformer: изучение преобразователей пространства-времени для прогнозирования земной системы»
    принимаются в NeurIPS (14. 09.22).
  • Наша статья о многодоменном несбалансированном обучении и глубоком обучении для здоровья «Обнаружение и оценка болезни Паркинсона с помощью искусственного интеллекта с использованием сигналов ночного дыхания» принята по адресу Nature Medicine (02.08.22).
  • Наши статьи о многодисциплинарном несбалансированном обучении и реляционном прогнозировании,
    «О многодоменном длиннохвостом распознавании, обобщении и не только» и
    «Социальная ОДУ: многоагентное прогнозирование траектории с помощью нейронных обыкновенных дифференциальных уравнений»
    принимаются в ECCV (03.07.22).
  • Наша статья по адаптации предметной области Transformer, «Адаптация предметной области для прогнозирования временных рядов посредством распределения внимания», принята в ICML (13.05.22).
  • Наша статья о байесовском глубоком обучении и интерпретируемом машинном обучении для здравоохранения: «У меня течет из носа». «Ты тоже кашляешь?»: Создание агента медицинской диагностики с интерпретируемой логикой запроса»,
    принимается по номеру IJCAI (20. 04.22).
  • Наши три статьи о причинно-следственных связях, интерпретируемом машинном обучении и байесовском глубоком обучении,
    «Причинная транспортабельность для визуального распознавания»,
    «OrphicX: причинно-следственная модель скрытой переменной для интерпретации графовых нейронных сетей»,
    и «Минимизация байесовского инвариантного риска»,
    принимаются по адресу CVPR (03.03.22).
  • Наша статья «Адаптация граф-реляционной области»,
    принимается по номеру ICLR (20.01.22). 92Struct: Privacy, Accountability, Interpretability, Robustness, Reasoning on Structured Data» (06.12.21).
  • Два наших документа по оценке неопределенности: «Контекстная неопределенность в контекстных бандитах с приложениями к рекомендательным системам»
    и «Оценка неопределенности без обучения для плотной регрессии: чувствительность как суррогат»,
    принимаются по номеру AAAI (01.12.21).
  • Благодарен за получение гранта NSF IIS-2127918 в качестве PI, «RI: Small: Включение интерпретируемого ИИ с помощью байесовского глубокого обучения» (25. 08.21).
  • Две наши статьи: «Враждебные атаки обратимы при естественном контроле».
    и «Paint Transformer: нейронная живопись с прямой связью и прогнозированием штрихов»,
    принимаются по номеру ICCV (22.07.21).
  • Три наши статьи: «СТРОДЕ: Стохастическое граничное обыкновенное дифференциальное уравнение»,
    «Исправление предвзятости экспозиции для рекомендации по ссылке»,
    и «Погружение в глубокую несбалансированную регрессию»,
    принимаются по телефону ICML (08.05.21).
  • Получил премию Amazon факультета исследований за работу над адаптацией предметной области, рекомендательными системами, прогнозированием и байесовским глубоким обучением. (28.04.21).
  • Наша статья о причинном обучении и глубоком обучении «Генеративные вмешательства для причинного обучения» принята в CVPR (28.02.21).
  • Наша статья об искусственном интеллекте и байесовском глубоком обучении для здоровья «Оценка самостоятельного приема лекарств с использованием искусственного интеллекта» принята в Природная медицина (30. 10.20).
  • Наша статья с обзором байесовского глубокого обучения «Обзор байесовского глубокого обучения» принята и опубликована в ACM Computing Surveys (01.10.20).
  • За работу BodyCompass отвечали:
    Новости Массачусетского технологического института,
    Engadget,
    Яху,
    Технологические сети,
    Обзор сна,
    ТехТаймс,
    и другие СМИ (30.09.20).
  • Наша работа над COVID-19мониторинг пациентов был охвачен:
    новости ЦСАИЛ,
    ТехКранч,
    Engadget и другие СМИ (30.09.20).
  • Две наши статьи, «Адаптация непрерывно индексируемой области» и «Случайный процесс с глубоким графом для распознавания речи на основе реляционного мышления», приняты в ICML (06/06/20).
  • Мы выпустили новую реализацию TensorFlow для нашей статьи KDD 2015 года «Совместное глубокое обучение для рекомендательных систем» (06.06.20).
  • Наша статья «Обучение управляемой электронной микроскопии с активным сбором данных» принята в MICCAI (06/06/20).
  • Создана новая страница проекта для текущего исследования байесовского глубокого обучения (30.08.19).
  • Новая страница проекта для нашей статьи NPN настроена с использованием кода Matlab и PyTorch (30.06.19).
  • Мы организуем семинар ICML 2019 на тему «Обучение и рассуждения с графоструктурными представлениями» (15.03.19)).
  • Мы организуем семинар CVPR 2019 на тему «На пути к причинной, объяснимой и универсальной медицинской визуальной диагностике» (11.03.19).
  • Наша статья «Переосмысление распространения графа знаний для обучения с нулевым выстрелом» принята в CVPR (24.02.19).
  • О нашей работе над глубокими байесовскими сетями сообщает MIT News (25.01.19).
  • Наша статья «ProbGAN: к вероятностной GAN с теоретическими гарантиями» принята в ICLR (22.12.18).
  • Две наши статьи: «Двунаправленные сети логического вывода: класс глубоких байесовских сетей для профилирования здоровья» и «Рекуррентный блок пуассоновского процесса для распознавания речи» приняты в AAAI (01. 11.18).
  • Наша статья «Глубокое обучение для прогнозирования осадков: эталон и новая модель» принята NIPS (05.09.17).
  • Создана новая страница проекта для нашей статьи CDL с кратким списком вариантов CDL (12.06.17).
  • Наша статья «Реляционное глубокое обучение: модель с глубокими латентными переменными для предсказания ссылок» принята AAAI (11.11.16).
  • Наш обзорный документ по байесовскому глубокому обучению «На пути к байесовскому глубокому обучению: структура и некоторые существующие методы» принят в TKDE (22.08.16).
  • Две наши статьи: «Сети с естественными параметрами: класс вероятностных нейронных сетей» и «Совместный рекуррентный автоэнкодер: рекомендуется при обучении заполнять пробелы» приняты в NIPS (15.08.16).
  • Выступить с докладом «Байесовское глубокое обучение для интегрированного интеллекта: преодоление разрыва между восприятием и выводом» в Китайском университете Гонконга (17.06. 16). [слайды]
  • Выступить с докладом «Байесовское глубокое обучение для интегрированного интеллекта: преодоление разрыва между восприятием и выводом» на семинаре Baidu NLP (13.06.16). [слайды]
  • Мы выступили с докладом о байесовском глубоком обучении на ACML (22.11.15). [слайды]
  • Выступите с докладом о байесовском глубоком обучении в MSRA (11.09.15) и Baidu (05.11.15). [слайды]
  • Наша статья «Сверточная сеть LSTM: подход машинного обучения для прогнозирования текущей погоды» принята в NIPS. (09/04/15) [pdf]
  • Наша статья «Совместное глубокое обучение для рекомендательных систем» принята в SIGKDD. (13.05.15) [pdf]
  • Выступите с докладом о «Реляционном стекированном автоэнкодере для рекомендации тегов» на семинаре HKUST-EPFL по науке о данных. (02.12.14) [слайды]
  • Домашняя страница настроена. (18.11.14)

 

Хао Ван, доцент, Rutgers CS

( ‘Подчеркнуть’ указывает на студентов, которых я (совместно) консультирую/наставляю. ‘*’ указывает на равный вклад.)

  • Вариационный байесовский индекс домена: Интерпретируемый индекс домена для адаптации домена.
    Zihao Xu *, Guang-Yuan Hao *, Hao He, Hao Wang .
    Одиннадцатая международная конференция по представительствам в обучении (ICLR) ,
    2023 .
    [pdf]
    [открыть обзор]
    [код и данные]
    [разговаривать]
    [слайды]

    Байесовское глубокое обучение
    Адаптация домена

  • FedNP: к федеративному обучению, отличному от IID, посредством федеративного распространения нейронов.
    Сюэян Ву *, Хэнгуань Хуан *, Юлонг Дин, Хао Ван , Е Ван, Цянь Сюй.
    Тридцать седьмая конференция AAAI по искусственному интеллекту (AAAI) ,
    2023 .
    [pdf]
    [код и данные]
    [разговаривать]

    Байесовское глубокое обучение

  • Явное увеличение контрфактических данных для рекомендации.
    Цзяньчао Цзи, Зелонг Ли, Шуюань Сюй, Макс Сюн, Цзунтао Тан, Инцян Ге, Хао Ван , Юнфэн Чжан.
    Шестнадцатая международная конференция ACM по поиску в Интернете и интеллектуальному анализу данных (WSDM) ,
    2023 .
    [pdf]
    [код и данные]
    [разговаривать]
    [слайды]

    причинность
    Рекомендательные системы

  • Экстраполяционная байесовская нейронная сеть с непрерывным временем для быстрой адаптации к тестовому времени без обучения.
    Hengguan Huang , Xiangming Gu, Hao Wang , Chang Xiao, Hongfu Liu, Ye Wang.
    Тридцать шестая ежегодная конференция по системам обработки нейронной информации (NeurIPS) ,
    2022 .
    [pdf]
    [код и данные]
    [разговаривать]
    [слайды]

    Байесовское глубокое обучение
    Адаптация домена

  • Earthformer: Изучение преобразователей пространства-времени для прогнозирования земной системы.
    Чжихан Гао , Синцзянь Ши, Хао Ван , И Чжу, Юян Ван, Му Ли, Дит-Ян Юнг.
    Тридцать шестая ежегодная конференция по системам обработки нейронной информации (NeurIPS) ,
    2022 .
    [pdf]
    [код и данные]
    [разговаривать]
    [прожектор]
    [слайды]

    Зрение

  • Адаптация предметной области для прогнозирования временных рядов посредством распределения внимания.
    Сяойонг Джин , Юнгсук Парк, Даниэль Мэддикс, Хао Ван , Юян Ван.
    Тридцать девятая международная конференция по машинному обучению (ICML) ,
    2022 .
    [pdf]
    [код и данные]
    [разговаривать]
    [слайды]

    Адаптация домена

  • О многодоменном распознавании с длинным хвостом, несбалансированном обобщении домена и не только.
    Южэ Ян , Хао Ван , Дина Катаби.
    Семнадцатая Европейская конференция по компьютерному зрению (ECCV) ,
    2022 .
    [pdf]
    [код и данные]
    [страница проекта]
    [приложение для здравоохранения (Nature Medicine ’22)]
    [Сообщение блога]
    [разговаривать]
    [слайды]

    Адаптация домена
    Предвзятость и справедливость
    Зрение

  • Social ODE: многоагентное прогнозирование траектории с помощью нейронных обыкновенных дифференциальных уравнений.
    Сун Вен , Хао Ван , Димитрис Метаксас.
    Семнадцатая Европейская конференция по компьютерному зрению (ECCV) ,
    2022 .
    [pdf]
    [код и данные]
    [разговаривать]
    [слайды]

    Байесовское глубокое обучение
    Графическое и реляционное обучение

  • «У меня течет из носа». «Ты тоже кашляешь?»: Создание агента медицинской диагностики с интерпретируемой логикой запросов.
    Венге Лю, Йи Ченг, Хао Ван , Цзяньхэн Тан, Яфей Лю, Жуйхуэй Чжао, Вэньцзе Ли, Йефэн Чжэн, Сяодань Лян.
    Материалы Двадцать третьей Международной объединенной конференции по искусственному интеллекту (IJCAI) ,
    2022 .
    [pdf]
    [код и данные]
    [разговор]

    Байесовское глубокое обучение
    Здоровье
    Обработка естественного языка

  • Причинная транспортабельность для визуального распознавания.
    Чэнчжи Мао, Джеймс Ван, Кевин Ся, Хао Ван , Цзюньфэн Ян, Элиас Барейнбойм, Карл Вондрик.
    Материалы конференции IEEE по компьютерному зрению и распознаванию образов (CVPR) ,
    2022 .
    [pdf]
    [дополнительно]
    [код и данные]
    [разговор]

    Байесовское глубокое обучение
    Зрение
    причинность

  • OrphicX: причинно-следственная модель скрытых переменных для интерпретации графовых нейронных сетей.
    Ванью Линь, Хао Лан, Хао Ван , Баочунь Ли.

    Лучший финалист 33 / 8161 = 0,4%.

    Материалы конференции IEEE по компьютерному зрению и распознаванию образов (CVPR) ,
    2022 .
    [pdf]
    [код и данные]
    [разговор]

    Байесовское глубокое обучение
    Графическое и реляционное обучение
    причинность

  • Байесовская инвариантная минимизация риска.
    Юн Линь, Ханзе Донг, Хао Ван , Тонг Чжан.
    Материалы конференции IEEE по компьютерному зрению и распознаванию образов (CVPR) ,
    2022 .
    [pdf]
    [код и данные]
    [разговор]

    Байесовское глубокое обучение
    причинность

  • Адаптация граф-реляционной области.
    Цзихао Сюй , Хао Хе, Гуан-Хе Ли, Юян Ван, Хао Ван .
    Десятая Международная конференция по представительствам в обучении (ICLR) ,
    2022 .
    [pdf]
    [код и данные]
    [Набор данных ТПТ-48]
    [разговаривать]
    [слайды]

    Адаптация домена
    Графическое и реляционное обучение

  • Контекстная неопределенность в контекстных бандитах с приложениями к рекомендательным системам.
    Хао Ван , Ифэй Ма, Хао Дин, Юян Ван.
    Тридцать шестая конференция AAAI по искусственному интеллекту (AAAI) ,
    2022 .
    [pdf] [дополнительно]
    [код и данные]
    [разговаривать]
    [слайды]

    Байесовское глубокое обучение
    Рекомендательные системы

  • Оценка неопределенности без обучения для плотной регрессии: чувствительность как суррогат.
    Лу Ми , Хао Ван , Юнлун Тянь, Хао Хе, Нир Шавит.
    Тридцать шестая конференция AAAI по искусственному интеллекту (AAAI) ,
    2022 .
    (краткая версия, представленная на семинаре ICML 2021 по неопределенности и надежности в глубоком обучении , 2021 .)
    [pdf] [код и данные] [слайды]

    Байесовское глубокое обучение
    Зрение

  • Атаки противника обратимы при естественном наблюдении.
    Чэнчжи Мао, Миа Чикье, Хао Ван , Цзюньфэн Ян, Карл Вондрик.
    Международная конференция по компьютерному зрению (ICCV) ,
    2021 .
    [pdf]
    [код и данные]
    [разговаривать]
    [слайды]

    Байесовское глубокое обучение
    Зрение

  • Paint Transformer: упреждающая нейронная живопись с прогнозированием штрихов.
    Сунгари Лю* , Тяньвэй Линь*, Дунлян Хе, Фу Ли, Жуйфэн Дэн, Синь Ли, Эрруй Дин, Хао Ван .
    Международная конференция по компьютерному зрению (ICCV) ,
    2021 .
    [pdf]
    [код и данные]
    [разговор (короткая версия)]
    [слайды]

    Зрение

  • СТРОДЕ: Стохастическое граничное обыкновенное дифференциальное уравнение.
    Hengguan Huang , Hongfu Liu, Hao Wang , Chang Xiao, Ye Wang.
    Тридцать восьмая международная конференция по машинному обучению (ICML) ,
    2021 .
    [pdf] [код и данные]
    [разговаривать]
    [слайды]

    Байесовское глубокое обучение

  • Исправление предвзятости экспозиции для рекомендаций по ссылкам.
    Шантану Гупта , Хао Ван , Закари Липтон, Юян Ван.
    Тридцать восьмая международная конференция по машинному обучению (ICML) ,
    2021 .
    [pdf]
    [код и данные]
    [разговаривать]
    [слайды]

    Предвзятость и справедливость
    Рекомендательные системы
    Графическое и реляционное обучение
    причинность

  • Погружение в глубокую несбалансированную регрессию.
    Южэ Ян, Кайвен Чжа, Инцун Чен, Хао Ван , Дина Катаби.
    Тридцать восьмая международная конференция по машинному обучению (ICML) ,
    2021 .
    [pdf]
    [приложение для здравоохранения (Nature Medicine ’22)]
    [код и данные]
    [блог]
    [страница проекта]
    [разговаривать]
    [слайды]

    Предвзятость и справедливость
    Здоровье
    Зрение
    Обработка естественного языка

  • Генеративные вмешательства для причинного обучения.
    Чэнчжи Мао, Августин Ча*, Амог Гупта*, Хао Ван , Цзюньфэн Ян, Карл Вондрик.
    Материалы конференции IEEE по компьютерному зрению и распознаванию образов (CVPR) ,
    2021 .
    [pdf]
    [код и данные]
    [разговор]

    Байесовское глубокое обучение
    причинность
    Зрение

  • Постоянно индексируемая адаптация домена.
    Хао Ван* , Хао Хе*, Дина Катаби.
    Тридцать седьмая международная конференция по машинному обучению (ICML) ,
    2020 .
    [pdf]
    [приложение для здравоохранения (Nature Medicine ’22)]
    [код и данные]
    [страница проекта]
    [блог]
    [разговаривать]
    [слайды]

    Адаптация домена
    Здоровье

  • Случайный процесс с глубоким графом для распознавания речи на основе реляционного мышления.
    Hengguan Huang , Fuzhao Xue, Hao Wang , Ye Wang.
    Тридцать седьмая международная конференция по машинному обучению (ICML) ,
    2020 .
    [pdf] [код и данные]

    Байесовское глубокое обучение

  • BodyCompass: мониторинг позы во сне с помощью беспроводных сигналов.
    Шичао Юэ, Южэ Ян, Хао Ван , Харихаран Рахул, Дина Катаби.
    Международная объединенная конференция ACM по всеобъемлющим и вездесущим вычислениям (Ubicomp) ,
    2020 .
    [pdf] [страница проекта]
    [слайды]
    [разговаривать]
    [Новости Массачусетского технологического института]

    Адаптация домена
    Здоровье

  • Учебная управляемая электронная микроскопия с активным сбором данных.
    Лу Ми , Хао Ван , Ярон Мейрович, Ричард Шалек, Шринивас Турага, Джефф Лихтман, Самуэль Аравинтан, Нир Шавит.
    Вычисление медицинских изображений и компьютерные вмешательства (MICCAI) ,
    2020 .
    [pdf] [код и данные]

    Здоровье
    Зрение

  • Переосмысление распространения графа знаний для обучения с нулевым выстрелом.
    Майкл К. Кампфмайер *, Иньбо Чен*, Сяодань Лян, Хао Ван , Юцзя Чжан, Эрик П. Син.
    Материалы конференции IEEE по компьютерному зрению и распознаванию образов (CVPR) ,
    2019 .
    [pdf] [код и данные]

    Адаптация домена
    Зрение

  • ProbGAN: к вероятностной GAN с теоретическими гарантиями.
    Хао Хэ, Хао Ван , Гуан-Хе Ли, Юнлун Тянь.
    Седьмая международная конференция по представительствам в обучении (ICLR) ,
    2019 .
    (краткая версия, представленная на семинаре ICML 2018 по теоретическим основам и приложениям глубоких генеративных моделей , 2018 .)
    [pdf] [код и данные]

    Байесовское глубокое обучение

  • Двунаправленные сети логического вывода: класс глубоких байесовских сетей для профилирования здоровья.
    Хао Ван , Чэнчжи Мао, Хао Хэ, Мингмин Чжао, Томми С. Джааккола, Дина Катаби.
    Тридцать третья конференция AAAI по искусственному интеллекту (AAAI) ,
    2019 .
    [pdf] [дополнительно]
    [код и данные]
    [слайды]
    [Новости Массачусетского технологического института]

    Байесовское глубокое обучение
    Здоровье

  • Блок рекуррентного процесса Пуассона для распознавания речи.
    Хэнгуань Хуан , Хао Ван , Брайан Мак.
    Тридцать третья конференция AAAI по искусственному интеллекту (AAAI) ,
    2019 .
    [pdf] [код и данные] [слайды]

    Байесовское глубокое обучение

  • Байесовское моделирование и вывод методом Монте-Карло для GAN.
    Хао Хе, Хао Ван , Гуан-Хе Ли, Юнлун Тянь.
    Международная конференция по машинному обучению (ICML) Семинар по теоретическим основам и приложениям глубинных генеративных моделей ,
    2018 .
    [pdf]

    Байесовское глубокое обучение

  • Извлечение дыхания нескольких человек из запутанных радиочастотных сигналов.
    Шичао Юэ, Хао Хе, Хао Ван , Харихаран Рахул, Дина Катаби.
    Международная объединенная конференция ACM по всеобъемлющим и вездесущим вычислениям (Ubicomp) ,
    2018 .
    [pdf] [страница проекта]

    Здоровье

  • Глубокое обучение для прогнозирования текущей погоды: эталон и новая модель.
    Синцзянь Ши, Чжихан Гао, Леонард Лаусен, Хао Ван , Дит-Ян Юнг, Вай-кин Вонг и Ван-Чун Ву.
    Тридцать первая ежегодная конференция по системам обработки нейронной информации (NIPS) ,
    2017 .
    [pdf] [код и данные] [страница проекта]

    Зрение

  • Реляционное глубокое обучение: модель глубокой скрытой переменной для предсказания ссылок.
    Хао Ван , Синцзянь Ши, Дит-Ян Юнг.
    Тридцать первая конференция AAAI по искусственному интеллекту (AAAI) ,
    2017 .
    [pdf] [дополнительно] [код и данные] [слайды]

    Байесовское глубокое обучение
    Графическое и реляционное обучение

  • Совместный рекуррентный автоэнкодер: рекомендуется во время обучения заполнять пробелы.
    Хао Ван , Синцзянь Ши, Дит-Ян Юнг.
    Тридцатая ежегодная конференция по системам обработки нейронной информации (NIPS) ,
    2016 .
    [pdf] [дополнительно] [видео в центре внимания] [код и данные]

    Байесовское глубокое обучение
    Рекомендательные системы

  • Сети с естественными параметрами: класс вероятностных нейронных сетей.
    Хао Ван , Синцзянь Ши, Дит-Ян Юнг.
    Тридцатая ежегодная конференция по системам обработки нейронной информации (NIPS) ,
    2016 .
    [pdf] [страница проекта] [дополнительный] [видео в центре внимания] [код] [код PyTorch]

    Байесовское глубокое обучение

  • Сверточная сеть LSTM: подход машинного обучения для прогнозирования текущей погоды.
    Xingjian Shi, Zhourong Chen, Hao Wang , Dit-Yan Yeung, Wai-kin Wong, Wang-chun Woo.
    Двадцать девятая ежегодная конференция по системам обработки нейронной информации (NIPS) ,
    2015 .
    [pdf] [код и данные]

    Зрение

  • Совместное глубокое обучение для рекомендательных систем.
    Хао Ван , Найян Ван, Дит-Ян Юнг.
    Двадцать первая конференция ACM SIGKDD по открытию знаний и интеллектуальному анализу данных (KDD) ,
    2015 .
    Большинство
    цитируемая статья среди всех статей на KDD 2015.

    [pdf]
    [страница проекта]
    [код]
    [данные]
    [код MXNet]
    [Код TensorFlow]
    [сторонний код TensorFlow/Keras/Python]
    [сторонний код PyTorch]
    [айпинб]
    [слайды]
    [слайды (длинные)]

    Байесовское глубокое обучение
    Рекомендательные системы

  • Автокодировщик реляционного шумоподавления для рекомендации тегов.
    Хао Ван , Синцзянь Ши, Дит-Ян Юнг.
    Двадцать девятая конференция AAAI по искусственному интеллекту (AAAI) ,
    2015 .
    [pdf] [дополнение] [код] [данные] [слайды]

    Байесовское глубокое обучение
    Рекомендательные системы
    Графическое и реляционное обучение

  • Онлайн-эгоцентрические модели для сетей цитирования.
    Хао Ван , Ву-Джун Ли.
    Материалы Двадцать третьей Международной объединенной конференции по искусственному интеллекту (IJCAI) ,
    2013 .
    [pdf]

    Рекомендательные системы
    Графическое и реляционное обучение

  • Совместная регрессия тем с социальной регуляризацией для рекомендации тегов.
    Хао Ван , Биньи Чен, Ву-Джун Ли.
    Материалы Двадцать третьей Международной объединенной конференции по искусственному интеллекту (IJCAI) ,
    2013 .
    [pdf] [данные] [citeulike-a] [citeulike-t]

    Рекомендательные системы
    Графическое и реляционное обучение

  • Неконтролируемая локализация несоответствия в кросс-модальных последовательных данных с приложением к локализации неправильного произношения.
    Вэй Вэй , Хэнгуань Хуан , Сянмин Гу, Хао Ван , Е Ван.
    Транзакции по исследованиям в области машинного обучения (TMLR) ,
    2022 .
    [pdf] [данные и код]

    Байесовское глубокое обучение

  • Обнаружение и оценка болезни Паркинсона с помощью искусственного интеллекта с использованием сигналов ночного дыхания.
    Южэ Ян , Юань Юань, Го Чжан, Хао Ван , Ин-Конг Чен, Инчэн Лю, Кристофер Г. Таролли, Даниэль Крепо, Ян Букартык, Митри Р. Джунна, Александр Виденович, Терри Д. Эллис, Мелисса С. Липфорд, Рэй Дорси, Дина Катаби.
    Природная медицина ,
    2022 .
    Выбрано Nature Medicine одним из десяти выдающихся достижений 2022 года.
    [pdf]
    [страница природной медицины]
    [страница проекта]
    [разговор (45 мин)]
    [разговор (15 мин)]
    [Новости Массачусетского технологического института]
    [Форбс]
    [Вашингтон пост]
    [Блог NVDIA]
    [подробности о несбалансированной регрессии (версия ICML)]
    [подробности о многодоменном обучении (версия ECCV)]

    Адаптация домена
    Здоровье
    Байесовское глубокое обучение

  • Оценка самостоятельного приема лекарств с использованием искусственного интеллекта.
    Мингмин Чжао*, Крешник Хоти*, Хао Ван , Анируддх Рагху, Дина Катаби.
    Природная медицина ,
    2021 .
    [pdf] [страница медицины природы] [Новости MIT] [детали модели]

    Байесовское глубокое обучение
    Здоровье

  • Обзор байесовского глубокого обучения.
    Хао Ван , Дит-Ян Йенг.
    Компьютерные исследования ACM (CSUR) ,
    53(5), статья 108, 2020 .
    [pdf]
    [приложение для здравоохранения (Nature Medicine ’21)]
    [блог]
    [github (обновление)]

    Байесовское глубокое обучение

  • На пути к байесовскому глубокому обучению: структура и некоторые существующие методы.
    Хао Ван , Дит-Ян Йенг.
    IEEE Transactions on Knowledge and Data Engineering (TKDE) ,
    28(12):3395-3408, 2016 .
    [pdf]
    [приложение для здравоохранения (Nature Medicine ’21)]
    [блог]
    [github (обновление)]

    Байесовское глубокое обучение
    Рекомендательные системы

  • Реляционная совместная тематическая регрессия для рекомендательных систем.