Berkeley CDSS vergibt Forschungspreise für maschinelles Lernen an neun Fakultätsmitglieder
Neun Fakultätsmitglieder des College of Computing, Data Science, and Society (CDSS) der UC Berkeley haben die ersten CDSS Machine Learning Research Awards erhalten, die jeweils mit 50.000 US-Dollar an frei verfügbaren Mitteln dotiert sind. Die Preise, ermöglicht durch eine Spende von Citadel Securities, sollen den Start neuer Forschungsprojekte im Bereich des maschinellen Lernens fördern.
- Das CDSS der UC Berkeley hat erstmals Machine Learning Research Awards an neun Fakultätsmitglieder vergeben.
- Jedes geförderte Projekt erhielt für das Studienjahr 2026/27 50.000 US-Dollar an frei verfügbaren Mitteln.
- Möglich wurden die Preise durch eine Spende von Citadel Securities.
- Die Anträge wurden von einem Fakultätskomitee des CDSS begutachtet.
- Die Projekte reichen von Sprachmodellen und Transformer-Gedächtnis über Bayessche Modellprüfung und Algorithmenbewertung bis zu Verhandlungen.
Neuer Preis, finanziert von Citadel Securities
Wie das CDSS mitteilt, ist der Machine Learning Research Award eine neue Fördermöglichkeit für die Fakultät des Colleges. Ziel ist es, neue Forschungsprojekte im Bereich des maschinellen Lernens anzuschieben. Möglich gemacht wurden die Preise durch eine großzügige Spende von Citadel Securities.
Die Anträge wurden von einem Fakultätskomitee des CDSS begutachtet. Die ausgewählten Projekte erhielten jeweils 50.000 US-Dollar an frei verfügbaren Mitteln, die im Studienjahr 2026/27 die Forschung und Doktorandinnen und Doktoranden unterstützen sollen.
Die geförderten Projekte
Die Preise gehen an sieben Projekte, die von neun Fakultätsmitgliedern aus den Bereichen Elektrotechnik und Informatik, Statistik und Public Policy geleitet werden. Das CDSS nennt folgende Titel und Preisträger:
- AI-accelerated behavioral experiments for real-world decision-making: Serina Chang, Assistant Professor für Elektrotechnik und Informatik sowie Computational Precision Health, und Avi Feller, Associate Professor für Public Policy und Statistik.
- Robust evaluation of predictive algorithms under confounding, measurement error, and distribution shift: Amanda Coston, Assistant Professor für Statistik.
- Flows for Bayesian model checking: Ryan Giordano, Assistant Professor für Statistik.
- Self-improving language model systems from rich feedback: Jason Lee, Associate Professor für Elektrotechnik und Informatik sowie Statistik.
- Transformer-compatible memory for decision-making over evolving information: Sewon Min, Assistant Professor für Elektrotechnik und Informatik.
- Learning to represent: Communication policies for strategic language coordination in mixed-motive negotiation: Narges Norouzi, Associate Teaching Professor für Elektrotechnik und Informatik, und Joseph Gonzalez, Associate Professor für Elektrotechnik und Informatik.
- Likelihood geometry for generalized linear models in changing environments: Nikita Zhivotovskiy, Assistant Professor für Statistik.
Was die Themenmischung zeigt
Die Projekttitel decken ein breites Spektrum von Fragen des maschinellen Lernens ab. Einige betreffen Sprachmodelle und Gedächtnis für Transformer-Systeme, etwa selbstverbessernde Sprachmodellsysteme und Transformer-kompatibles Gedächtnis. Andere konzentrieren sich auf statistische Methoden, darunter die Bewertung von Vorhersagealgorithmen bei Confounding, Messfehlern und Verteilungsverschiebungen sowie Bayessche Modellprüfung und verallgemeinerte lineare Modelle in sich verändernden Umgebungen. Ein Projekt nutzt KI, um Verhaltensexperimente zu beschleunigen, ein weiteres untersucht Kommunikationsstrategien bei Verhandlungen.
Da die Mittel frei verfügbar sind und Forschung sowie Doktorandinnen und Doktoranden unterstützen sollen, haben die Preisträger im Studienjahr 2026/27 Spielraum beim Start ihrer Projekte. Die Quelle nennt weder erwartete Ergebnisse noch, ob weitere Förderrunden folgen.
Berkeley CDSS: Nine CDSS faculty receive Machine Learning Research Awards
