Score SDE

Yang Song a obtenu son doctorat en informatique de l'Université de Stanford, sous la direction de Stefano Ermon. Durant ses études doctorales, il a développé des concepts et techniques fondamentaux dans les modèles de diffusion basés sur le score, qui ont considérablement impacté le domaine de l'IA générative. Son travail dans ce domaine a été reconnu dans diverses publications, notamment un article de blog, un article dans Quanta Magazine et des interviews. Il a également effectué des stages de recherche chez des leaders de l'industrie tels que Google Brain, Uber ATG et Microsoft Research.

Son parcours académique a débuté à l'Université Tsinghua, où il a obtenu sa licence en mathématiques et physique. Là, il a collaboré avec des chercheurs notables, dont Jun Zhu, Raquel Urtasun et Richard Zemel. Ses intérêts de recherche portent sur le développement de nouveaux modèles génératifs, avec un accent particulier sur les modèles de diffusion et les modèles de cohérence. Ces modèles sont capables de générer des données de haute qualité, telles que des images, avec une vitesse et une efficacité remarquables. Son travail a abouti à des résultats de pointe dans la génération d'images, la résolution de problèmes inverses en imagerie médicale et l'accélération des calculs feedforward dans les réseaux neuronaux.

Les publications de Yang Song témoignent de ses contributions aux principales conférences sur l'IA, notamment ICLR, ICML et NeurIPS. Ses recherches ont exploré des domaines tels que la simplification, la stabilisation et la mise à l'échelle des modèles de cohérence en temps continu, l'amélioration des techniques d'entraînement des modèles de cohérence et le développement de la modélisation générative basée sur le score via des équations différentielles stochastiques. Il a également étudié les applications de ces modèles dans la résolution de problèmes inverses en imagerie médicale et l'accélération des calculs feedforward via la résolution parallèle d'équations non linéaires. Son travail sur les exemples adversariaux non restreints et l'utilisation de modèles génératifs pour la défense contre les attaques adversariales souligne davantage l'étendue de ses contributions à la recherche.