曹晓锋

职称:副教授、博士生导师

毕业院校:澳大利亚悉尼科技大学

email:xiaofeng.cao.uts@gmail.com

个人主页:https://xiaofengcaoml.github.io

研究方向:泛化分析理论、凸解析与非凸性近似逼近、非欧几何

个人简介

曹晓锋,男,吉林大学人工智能学院副教授,博士生导师,毕业于澳大利亚人工智能研究院,悉尼科技大学(QS #90, 2024), 导师为国际知名统计机器学习学者Ivor W. Tsang 教授(IEEE Fellow), 曾访问新加坡前沿人工智能中心(2023-2024)、香港科技大学(2023), 合作导师为机器学习亚太领军学者James T. Kwok 教授(IEEE Fellow)。 他的主要研究方向为泛化分析理论、凸解析与非凸性近似逼近、非欧几何,以及相关深度学习应用,在机器学习领域以及泛人工智能权威期刊和会议发表30余篇学术工作,如IEEE TPAMI、TNNLS、TKDE、ICML、NeurIPS、ICLR、CVPR、ECML,其中以第一作者在IEEE trans系列发表多篇高水平研究工作,累计影响因子达110.5(2023年6月统计),并在先进应用领域主持和参与多项基础性和技术性研究课题,经费达数百万,包括基金委青年基金、省级优秀青年基金、省面上基金、校励新优秀青年教师计划等,另入选省高层次人才计划、新一代信息技术专家、科学技术奖评审专家等。在学术领域,他长期担任人工智能和机器学习领域旗舰期刊和会议的审稿人和程序委员会委员,如Journal of Machine Learning Research (JMLR)、Machine Learning Journal (MLJ)、Journal of Artificial Intelligence Research (JAIR)、Artificial Intelligence Journal (AIJ)、IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI)、ICML、NeurIPS、ECML等。



前沿探索:从2020年至今,尝试解决机器学习理论大师Corinna Cortes教授(谷歌研究院副总裁,SVM发明人之一,谷歌索引7万+)在主动学习理论中提出的“关于黑盒学习者如何使用误差分歧修剪假设空间”这一难题,

合作导师为国际知名统计机器学者Ivor W. Tsang教授(澳大利亚人工智能研究院研究主任,新加坡前沿人工智能研究中心主任,谷歌索引近3万),IEEE Fellow。


一流的研究课题:机器感知课题组正在探索世界领先的高级机器学习理论课题,包括非欧几何、黑盒优化、泛函封闭梯度等,它们可能是极具挑战性的理论基础问题。


最新研究动态:

2024年5月:课题组在跨空间几何、互动教学优化、多教师教学问题中取得结果,欢迎讨论!

2024年5月:课题组在直推优化问题中取得进展,相关工作被TKDE顺利接受!

2024年5月:在ICML 2024、IEEE TNNLS、 Computers in Biology and Medicine等多个期刊和会议连续取得结果!

2024年4月:与同济大学、香港理工等机构合作的图核、零样本泛化工作被IJCAI 2024顺利接受!

2024年1月:与新加坡前沿人工智能中心、南洋理工大学等机构合作的黑盒对抗工作被ICLR 2024顺利接收!

2023年9月:课题组在非参多学习者机器教学理论问题中取得重要成果,被NeurIPS 2023接收!

2023年8月:与芬兰奥卢大学、美国斯坦福大学同仁合作的Hyperbolic非欧几何跨领域自动驾驶研究工作,被智能交通顶级刊物 IEEE Transactions on Intelligent Transportation Systems录用!

2023年8月:课题组在数据挖掘顶尖期刊IEEE TKDE接收重要图神经网络过平滑优化工作!

2023年7月:受邀担任ECAI2023/ACML2023/WSDM2023/AAAI2024 Program Committee!

2023年6月:课题组在人工智能顶尖期刊IEEE T-PAMI接收重要NP近似优化工作!

2023年6月:课题组在机器学习顶尖会议ECML2023中接收重要半监督优化工作!

2023年4月:课题组在机器学习顶尖会议ICML2023中接收两篇重要理论优化工作!

2022年12月:课题组在黑盒泛化理论与封闭泛函梯度求解问题中取得重要研究成果,欢迎讨论!


招生要求:期望候选人在数学或CS领域有热情或特长,有强烈的科研动力!

培养目标:亚太地区顶尖、国际一流的机器学习青年学者!


注:课题组招生条件严格,无意从事科研活动的同学不建议联系!


科研工作与交流经历

2023 —— 2024  香港科技大学  访问教授

2023 —— 2024  新加坡前沿人工智能中心 访问教授

2021 —— 至 今  吉林大学人工智能学院  副教授

2021 —— 2022  悉尼科技大学  研究助理


教育经历

2017 —— 2021 澳大利亚人工智能研究院|悉尼科技大学计算机科学 博士

2014 —— 2017 郑州大学计算机科学与技术 硕士

2010 —— 2014 郑州大学计算机科学与技术 本科

科研项目

2025 —— 2027 数据增强的一致性问题研究,主持,吉林省(教育厅)优秀青年基金项目。

2025 —— 2027 分布式大模型聚合研究,主持,吉林省面上基金项目。

2023 —— 2025 面向黑盒的机器教学收敛研究,国家自然基金项目,在研,负责人,30万。

2023 —— 2025 吉林大学励新青年教师计划,在研,负责人,18万。

2023 —— 2025 面向肿瘤诊疗全周期的因果推断方法研究,在研,主要参与,100万,主持50万。

2023 —— 2025 多模态技术类项目 在研,主要参与, 300万。

2023 —— 2024 飞秒激光永久光存储数据写入过程的智能化研究,省科技厅面上项目 在研,主要参与,10万。

论文选

你可能对以下一个或多个主题感兴趣,部分主题可能涉及机器学习理论、黑盒优化等较为数学化的内容:

  • “ Black-box Generalization of Machine Teaching,”
    X. Cao, Y. Guo, I. W. Tsang, and James T. Kwok,
    Journal of Machine Learning Research, revision.

  • “A Survey of Learning on Small Data,”
    X. Cao, W. Bu, J. Huang, Y. Chang, and I. W. Tsang,
    ACM Computing Surveys, review.

  • “Transductive Reward Inference on Graph,”
    Bohao Qu, Xiaofeng Cao, Qing Guo, Chang Yi, Ivor W.Tsang, and Chengqi Zhang
    IEEE Transactions on Knowledge and Data Engineering

  • Refining Euclidean Obfuscatory Nodes Helps: A Joint-Space Graph Learning Method for Graph Neural Networks
    Zhaogeng Liu, Feng Ji, Jielong Yang, Xiaofeng Cao, Muhan Zhang, Hechang Chen, and Yi Chang.
    IEEE Transactions on Neural Networks and Learning Systems

  • “Mitigating Privacy Risk in Membership Inference by Convex-Concave Loss,”

    Zhenlong Liu, Lei Feng, Huiping Zhuang, Xiaofeng Cao, Hongxin Wei

    International Conference on Machine Learning (ICML 2024)

  • “Deep Hierarchical Graph Alignment Kernels,”

    S. Tang, H. Tian, X. Cao, W. Ye

    The 33rd International Joint Conference on Artificial Intelligence, IJCAI 2024.

  • “Dual Expert Distillation Network for Generalized Zero-Shot Learning,”
    Z. Rao, J. Guo, X. Lu, J. Liang, J. Zhang, H. Wang, K. Wei, X. Cao,

    The 33rd International Joint Conference on Artificial Intelligence, IJCAI 2024.

  • IRAD: Implicit Representation-driven Image Resampling against Adversarial Attacks,”
    Yue Cao, Tianlin Li, Xiaofeng Cao, Ivor Tsang, Yang Liu, Qing Guo
    Twelfth International Conference on Learning Representations, ICLR 2024.

  • Nonparametric Teaching for Multiple Learners,”
    C. Zhang, X. Cao, W. Liu, and I. W. Tsang, J. Kwok,
    Thirty-seventh Conference on Neural Information Processing Systems, NeurIPS 2023.

  • Hyperbolic Uncertainty Aware Semantic Segmentation,”
    Bike Chen, Wei Peng, Xiaofeng Cao, Röning Juha,
    IEEE Transactions on Intelligent Transportation Systems, 2023.

  • Enhancing Locally Adaptive Smoothing of Graph Neural Networks via Laplacian Node Disagreement,”
    Yu Wang, Liang Hu, Xiaofeng Cao*, Yi Chang,Ivor W. Tsang,
    IEEE Transactions on Knowledge and Data Engineering, 2023.

  • “Data-Efficient Learning via Minimizing Hyperspherical Energy,”
    X. Cao, Weiyang Liu, and I. W. Tsang,
    IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023.

  • “DualMatch: Robust Semi-Supervised Learning with Dual-Level Interaction,”
    Cong Wang#, Xiaofeng Cao#*, Lanzhe Guo, Zenglin Shi,
    Joint European Conference on Machine Learning 2023.

  • “Nonparametric Iterative Machine Teaching,”
    Chen Zhang, Xiaofeng Cao*, Weiyang Liu, Ivor Tsang, James Kwok,
    The 40th International Conference on Machine Learning (ICML 2023).

  • “Out-of-Distribution Generalization of Federated Learning via Implicit Invariant Relationships,”
    Yaming Guo#, Kai Guo#, Xiaofeng Cao*, Tieru Wu*, Yi Chang,
    The 40th International Conference on Machine Learning (ICML 2023).

  • “Distribution Matching for Machine Teaching,”
    Xiaofeng Cao, Ivor W. Tsang.
    IEEE Transactions on Neural Networks and Learning Systems, 2023.

  • “Distribution Disagreement via Lorentzian Focal Representation,”
    X. Cao, and I. W. Tsang,
    IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, [PDF][Code].

  • “Shattering Distribution for Active Learning,”
    X. Cao, and I. W. Tsang,
    IEEE transactions on neural networks and learning systems, [PDF][Code].

  • “Cold-Start Active Sampling via γ-Tube,”
    X. Cao, and I. W. Tsang,
    IEEE Transactions on Cybernetics, 2021, [PDF][Code].

  • “Multidimensional balance-based cluster boundary detection for high-dimensional data,”
    X. Cao, B. Qiu, X. Li, Z. Shi, G. Xu, J. Xu,
    IEEE transactions on neural networks and learning systems, 2018, [PDF][Code].

  • “Crowd counting with deep negative correlation learning,”
    Z. Shi, L. Zhang, Y. Liu, X. Cao, Y. Ye, M. M. Cheng, G. Zheng,
    Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, [PDF][Code].

  • “Learning Image-Specific Attributes by Hyperbolic Neighborhood Graph Propagation”,
    X. Xu, I. W. Tsang, X. Cao, R. Zhang, C. Liu,
    Proceedings of the 28th International Joint Conference on Artificial Intelligence, 2020, [PDF][Code].


社会兼职

Conference Reviewer/Program Committee: ACML 2021, ICML 2021-2023, NeurIPS 2021-2023, ECAI2023/ACML2023/WSDM2023/AAAI2024.

Journal Reviewer: T-PAMI, AIJ, JAIR, MLJ, TNNLS, etc.

返回上一层