Beschreibung
Die persönliche Website von Yang Song, einem führenden Forscher im Bereich der künstlichen Intelligenz. Yang Song ist derzeit Research Principal bei Meta Superintelligence Labs (MSL), wo er neben Chief Scientist Shengjia Zhao eine Schlüsselrolle bei der Gestaltung der Forschungsrichtung des Labors spielt. Vor seiner Tätigkeit bei Meta leitete er das Team für strategische Erkundungen bei OpenAI und trug zur Weiterentwicklung von KI-Technologien bei.
Weiterlesen
Yang Song promovierte in Informatik an der Stanford University unter der Betreuung von Stefano Ermon. Während seines Doktoratsstudiums entwickelte er grundlegende Konzepte und Techniken für Score-basierte Diffusionsmodelle, die das Feld der generativen KI maßgeblich beeinflusst haben. Seine Arbeit in diesem Bereich wurde in verschiedenen Publikationen anerkannt, darunter ein Blogbeitrag, ein Artikel im Quanta Magazine und Interviews. Er absolvierte auch Forschungspraktika bei Branchenführern wie Google Brain, Uber ATG und Microsoft Research.
Seine akademische Laufbahn begann an der Tsinghua University, wo er seinen Bachelor-Abschluss in Mathematik und Physik erwarb. Dort arbeitete er mit namhaften Forschern wie Jun Zhu, Raquel Urtasun und Richard Zemel zusammen. Seine Forschungsinteressen liegen in der Entwicklung neuartiger generativer Modelle, mit besonderem Schwerpunkt auf Diffusionsmodellen und Konsistenzmodellen. Diese Modelle sind in der Lage, qualitativ hochwertige Daten, wie z. B. Bilder, mit bemerkenswerter Geschwindigkeit und Effizienz zu generieren. Seine Arbeit hat zu Spitzenleistungen in der Bilderzeugung, der Lösung inverser Probleme in der medizinischen Bildgebung und der Beschleunigung von Feedforward-Berechnungen in neuronalen Netzen geführt.
Die Publikationen von Yang Song zeigen seine Beiträge zu wichtigen KI-Konferenzen, darunter ICLR, ICML und NeurIPS. Seine Forschung hat Bereiche wie die Vereinfachung, Stabilisierung und Skalierung von kontinuierlichen Konsistenzmodellen, die Verbesserung von Techniken für das Training von Konsistenzmodellen und die Entwicklung von Score-basierten generativen Modellen durch stochastische Differentialgleichungen untersucht. Er hat auch Anwendungen dieser Modelle zur Lösung inverser Probleme in der medizinischen Bildgebung und zur Beschleunigung von Feedforward-Berechnungen durch parallele nichtlineare Gleichungslösung untersucht. Seine Arbeit an uneingeschränkten adversariellen Beispielen und die Verwendung generativer Modelle zur Abwehr von adversariellen Angriffen unterstreicht zusätzlich die Breite seiner Forschungsbeiträge.
- KategorieWeitere KI-Tools
- BereitstellungCloud
- PlattformenWeb
Score SDE's Kernfunktionen
Research Principal bei Meta Superintelligence Labs
Ehemaliger Leiter des Teams für strategische Erkundungen bei OpenAI
Wegweisende Arbeit an Score-basierten Diffusionsmodellen
Entwicklung grundlegender Konzepte für kontinuierliche Konsistenzmodelle
Expertise in generativer KI und probabilistischer Modellierung
Beiträge zu schnellen Sampling-Techniken für generative Modelle
Anwendungen in der Bilderzeugung und medizinischen Bildrekonstruktion
Forschung zur Beschleunigung von neuronalen Netzberechnungen
Autor zahlreicher einflussreicher Publikationen auf Top-KI-Konferenzen
Promotion in Informatik von der Stanford University
Erste Schritte mit Score SDE
Forschung zugreifen: Publikationen und Forschungsarbeiten zu generativen Modellen erkunden.
Modelle verstehen: Informationen über Diffusionsmodelle und Konsistenzmodelle erhalten.
Code erkunden: Code-Repositories für Forschungsprojekte einsehen.
Forscher kontaktieren: Für Kooperationen oder Anfragen Kontakt aufnehmen.
Score SDE's Anwendungsfälle
- Forschung im Bereich Generative KI
- Bilderzeugung
- Medizinische Bildgebung
- Modelloptimierung
- KI-Strategie
