廖思宇

一、   个人简介

    廖思宇，博士，硕士生导师，获罗格斯大学博士学术成就奖，主要研究高性能神经网络模型及相关的应用，研究成果已经发表在许多一流国际会议和期刊，如MICRO、ISCA、ICML、AAAI和CIKM等。拥有丰富的工业界经验，获国际商业机器实习优秀奖，易趣编程马拉松周一等奖，高通创新奖学金决赛入围，拥有美国专利1项。担任IEEE ASAP 2021 TPC成员，为TACO、TCAS-I、TCAS-II、TSP、NeurIPS、ACL、ICCV、AAAI等期刊和会议的审稿人。

     欢迎计算机、电子等相关专业的本科生、研究生加入本团队。

 

二、   研究领域

     随着大数据与并行计算的发展，现代人工智能已经影响到很多领域的发展，同时对底层的软硬件也提出了更高的要求。主要研究方向包括但不限于：高性能的深度学习模型训练与推理算法，如结构化/量化/分解/蒸馏/早停等；特定算法的并行计算设计实现，CUDA/SSE等；生成式人工智能在通讯、医疗、艺术等方面的应用，如扩散模型编解码，电子地图生成等；嵌入式深度学习模型部署。

 

三、   教育背景

2010.9-2014.6，合肥工业大学，信息安全，本科

2014.9-2018.6，纽约市立大学研究生中心，计算机，硕士

2018.9-2020.10，罗格斯大学，计算机，博士

 

四、   工作经历

2017.9-2017.12，纽约大学访学

2019.9-2019.12，普林斯顿大学访学

2020.11-2024.5，亚马逊，应用科学家

2024.06-至今 中山大学，集成电路学院，预聘助理教授（副教授职务）。

 

五、   部分代表性成果

Liao, S., Zhang, R., Poblete, B., & Murdock, V. (2023, October). Bias invariant approaches for improving word embedding fairness. In Proceedings of the 32nd ACM International Conference on Information and Knowledge Management (pp. 1400-1410).

 

Liao, S., Deng, C., Yin, M., & Yuan, B. (2021, May). Doubly residual neural decoder: Towards low-complexity high-performance channel decoding. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 35, No. 10, pp. 8574-8582).

 

Liao, S., Chen, J., Wang, Y., Qiu, Q., & Yuan, B. (2020, April). Embedding compression with isotropic iterative quantization. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 34, No. 05, pp. 8336-8343).

 

Liao, S., & Yuan, B. (2019, July). Circconv: A structured convolution with low complexity. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 33, No. 01, pp. 4287-4294).

 

Ding, C., Liao, S., Wang, Y., Li, Z., Liu, N., Zhuo, Y., ... & Yuan, B. (2017, October). Circnn: accelerating and compressing deep neural networks using block-circulant weight matrices. In Proceedings of the 50th Annual IEEE/ACM International Symposium on Microarchitecture (pp. 395-408).

 

Zhao, L., Liao, S., Wang, Y., Li, Z., Tang, J., & Yuan, B. (2017, July). Theoretical Properties for Neural Networks with Weight Matrices of Low Displacement Rank. In International Conference on Machine Learning (pp. 4082-4090).