丁 虎

E-Mail: huding@ustc.tsg211.com

个人主页:https://hu-ding.github.io/     


主要研究方向:算法设计与分析,计算几何,以及在大数据,机器学习,物联网等方向的应用


丁虎,2009年本科毕业于中山大学数学系,2015年博士毕业于美国纽约州立大学布法罗分校计算机科学与工程系,并获全系最佳博士论文。主要研究方向包括计算几何、大数据优化算法,以及在人工智能、芯片设计、生物医学等领域的应用。曾任美国密歇根州立大学计算机科学与工程系(tenure-track)助理教授,博士生导师。2018年6月到中科大计算机学院工作,任特任教授,博士生导师。已在知名国际会议和期刊上发表近50篇文章。其中作为第一/通讯作者的科研成果发表在SODA、SoCG、ICALP等算法理论,以及NeurIPS、ICML等应用领域的国际顶级会议。曾获美国自然科学基金CRII award, 伯克利simons fellowship等。多次受邀担任国际知名会议、期刊的审稿人或程序委员会成员。作为计算机算法方向的专家,曾受邀参加美国科学基金的项目评审工作。主持多项国家/省部级科研项目,现为国家科技部重点研发计划青年科学家项目负责人(2021-2026),中科大创新团队培育项目负责人(2022-2024)。详见个人主页



导师选题:

适用于聚类算法加速的动态数据结构聚类是大数据分析、人工智能等领域的基础问题之一。然而,现有的聚类算法往往具有比较高的时间复杂度。本课题旨在设计精巧的动态数据结构,降低聚类过程中不必要的计算环节,实现聚类算法的加速。本课题欢迎对算法、数据结构感兴趣、有较好编程基础的同学参与。
面向人工智能大模型的鲁棒表征算法设计大模型之所以能够成功应用于多个领域,关键之一在于准确的数据表证。本课题旨在设计通用、鲁棒的数据表证新方法,在此基础上探索大模型的智能涌现等现象。
面向医疗超声图像的鲁棒分类算法设计超声检查是现代医学必不可少的检测手段之一,尤其对于癌症早期发现至关重要。然而超声图像往往含有比较大的噪音,如何实现自动分类是人工智能与临床医学交叉领域的难题之一。本课题希望设计鲁棒分类算法,实现基于超声图像的高效智能筛查方法。