Descripción
El sitio web personal de Yang Song, un destacado investigador en el campo de la inteligencia artificial. Yang Song actualmente se desempeña como Investigador Principal en Meta Superintelligence Labs (MSL), donde desempeña un papel clave en la definición de la dirección de investigación del laboratorio junto al Científico Jefe Shengjia Zhao. Antes de su puesto en Meta, lideró el equipo de exploraciones estratégicas en OpenAI, contribuyendo al avance de las tecnologías de IA.
Leer más
Yang Song obtuvo su doctorado en Ciencias de la Computación de la Universidad de Stanford, bajo la supervisión de Stefano Ermon. Durante sus estudios de doctorado, desarrolló conceptos y técnicas fundamentales en modelos de difusión basados en puntuación (score-based diffusion models), que han impactado significativamente el campo de la IA generativa. Su trabajo en esta área ha sido reconocido en diversas publicaciones, incluyendo una entrada de blog, un artículo en Quanta Magazine y entrevistas. También completó pasantías de investigación en líderes de la industria como Google Brain, Uber ATG y Microsoft Research.
Su trayectoria académica comenzó en la Universidad de Tsinghua, donde obtuvo su título de Licenciatura en Matemáticas y Física. Allí, colaboró con notables investigadores, incluyendo a Jun Zhu, Raquel Urtasun y Richard Zemel. Sus intereses de investigación se centran en el desarrollo de modelos generativos novedosos, con un énfasis particular en modelos de difusión y modelos de consistencia. Estos modelos son capaces de generar datos de alta calidad, como imágenes, con una velocidad y eficiencia notables. Su trabajo ha conducido a resultados de vanguardia en la generación de imágenes, la resolución de problemas inversos en imágenes médicas y la aceleración de cálculos feedforward en redes neuronales.
Las publicaciones de Yang Song muestran sus contribuciones a conferencias importantes de IA, incluyendo ICLR, ICML y NeurIPS. Su investigación ha explorado áreas como la simplificación, estabilización y escalado de modelos de consistencia de tiempo continuo, la mejora de técnicas para entrenar modelos de consistencia y el desarrollo de modelado generativo basado en puntuación a través de ecuaciones diferenciales estocásticas. También ha investigado aplicaciones de estos modelos en la resolución de problemas inversos en imágenes médicas y la aceleración de la computación feedforward mediante la resolución paralela de ecuaciones no lineales. Su trabajo sobre ejemplos adversarios sin restricciones y el uso de modelos generativos para la defensa contra ataques adversarios resalta aún más la amplitud de sus contribuciones de investigación.
- CategoríaOtras herramientas de IA
- ImplementaciónNube
- PlataformasWeb
Características principales de Score SDE
Investigador Principal en Meta Superintelligence Labs
Ex líder del equipo de exploraciones estratégicas de OpenAI
Trabajo pionero en modelos de difusión basados en puntuación
Desarrolló conceptos fundamentales en modelos de consistencia de tiempo continuo
Experiencia en IA generativa y modelado probabilístico
Contribuciones a técnicas de muestreo rápido para modelos generativos
Aplicaciones en generación de imágenes y reconstrucción de imágenes médicas
Investigación sobre la aceleración de cálculos de redes neuronales
Autor de numerosas publicaciones influyentes en conferencias de IA de primer nivel
Doctorado en Ciencias de la Computación de la Universidad de Stanford
Primeros pasos con Score SDE
Acceder a Investigación: Explore publicaciones y artículos de investigación sobre modelos generativos.
Comprender Modelos: Aprenda sobre modelos de difusión y modelos de consistencia.
Explorar Código: Vea repositorios de código para proyectos de investigación.
Contactar Investigador: Póngase en contacto para colaboraciones o consultas.
Casos de uso de Score SDE
- Investigación en IA Generativa
- Generación de Imágenes
- Imágenes Médicas
- Optimización de Modelos
- Estrategia de IA
