计算机科学研究

Representation Learning 或者所谓的特征学习旨在训练机器学习特征并使用它们来执行特定任务. 我们的研究涵盖了一系列的想法，包括建立(1)生成模型, (2)无监督/半监督/监督知识表示学习, (3)学习表征的可视化和解释, (4)整合时间序列和结构学习, (5)大规模学习.

机器学习的社会方面 我们的师资力量集中在三个方面. 第一个是交互式机器学习，旨在保持人类在循环中, 在协作环境中利用人类交互来促进机器学习应用. 第二个是安全和隐私保护机器学习, 旨在通过同态加密方法保护模型和数据, 数据基础设施和混合云. 第三个是利用游戏的人工智能.

科学领域的机器学习 我们的教师在应用机器/深度学习技术来帮助解决包括地球科学在内的跨学科领域的现实问题方面拥有专业知识, chemistry, 医学和保健科学, and history. 一些例子包括行为分析, pattern recognition, 对手机积累的大数据进行异常检测, remote sensors, facial recognition, 以及生物医学图像/视频检测.

面向服务的软件工程 指的是当代第三代软件工程, 它侧重于利用可重用的api来实现更高的开发产品, faster to market, and less errors. 我们的教师专门利用机器/深度学习(ML/DL), data mining, 自然语言处理(NLP), 并利用社交网络分析技术分析软件过去的行为和使用历史，以支持软件搜索引擎, 软件使用建议, 半自动大数据分析工作流生成, software prediction, requirements traceability, 以及云/边缘混合资源管理.

Software Testing 评估和验证软件产品或应用程序是否能完成它所承诺的工作, 防止/减少/容忍bug, improve performance, 降低开发成本. 我们目前关注的领域包括可靠性、可用性、安全性和API测试.

异常/缺陷/危险/漏洞检测/解决 CS教师专注于应用机器/深度学习, data mining, 和自然语言处理(NLP)技术，通过代码/行为/环境分析进行评估, 为了检测/分类/解决异常, defects, hazards, vulnerabilities, 以及早期的恶意代码.

Recommendation 我们的教师专门应用各种机器/深度学习(ML/DL)技术, 比如循环神经网络, 卷积神经网络, and graph neural networks, 分析软件过去的行为和用户交互, 为了预测软件的使用趋势，并为软件提供商和云数据中心管理提供建议.

Text Mining 利用CS中的专业知识来分析文本文档, 通过应用机器学习/深度学习(ML/DL), data mining, 以及自然语言处理(NLP)技术. Particularly, 我们训练机器阅读科学论文, 分析公司财务记录, 调查历史文献, examine government files, 检查保险合同.

Education CS的研究目标是无缝集成人工智能, reinforcement learning, gaming, 分布式计算技术支持和促进教育.  我们的教师目前正致力于创建大量标记数据集，以实现训练环境的模拟和仿真, 进行主动学习，如深度知识追踪, 通过处理口语来自动化评估, 提高评估效率, 模拟博物馆活动, 创造一个让学生和电子游戏互动的环境.