【导师本人】招summer/fall 2025实习，deep learning theory和graph machine learning

招收summer and/or fall intern，主要做deep learning theory或者graph machine learning方向。导师亲自指导，一起完善idea（已经有初步想法，见下面），指导coding，指导写paper（不会跟学生抢一作。。。）。研究成果会投今年9月底的iclr 2026，或者明年1月的icml 2026。
deep learning theory的方向：主要是对导师之前iclr 2025 oral paper的进一步延伸和推广。相应的研究方法会被应用推广到feature learning regime。将会对neural ode，large-depth resnet，large-depth transformer进行研究。见文章：https://openreview.net/forum?id=AoraWUmpLU
graph machine learning方向：主要研究不同gnn的oversmoothing问题，研究会重新思考gnn和wl test的关系，从而从理论上保证gnn的expressive power，不再依靠training的方式保证expressivity。进而，建立新的属于gnn的universal approximation theorem体系。基于理论的分析，研究message passing和feature learning之间的潜在联系，从何改善/提出新的gnn架构和training paradigm。
对学生的基本要求：

• 较好的数理insight：Calculus, probability, and linear algebra;
• 有较强的coding能力，擅长reproduce GitHub上的code；

有兴趣的同学可以直接给导师发邮件：tgao9@depaul.edu

继续招实习生：
之前summer招的实习生两个方向各投了一篇文章【iclr/icml】：
1. deep learning theory的方向：主要研究scaling law里的model scaling，并且刻画了也严格证明了neural network究竟是如何在training中学习features的
2. graph machine learning的方向：我们研究了depth在gnn中的意义，具体分析了messange passing和feature learning对depth不同的要求和作用

再找一名fall/winner intern，主要做deep learning theory的方面，目标投icml，具体是用adam这类adaptive learning rate+momentum的算法，更sgd相比，是如何影响neural network的feature learning的。从feature learning的角度来改进算法，而不再是从传统的optimization和generalziaiton的角度来考虑，因为我们觉的现代deep learning最重要的是feature learning，这是和classic machine learning本质的区别。

要求：
1. 有比较好的math sense： linear algebra (eigenvalues), probability theory (LLN/CLT, Gaussian),  calculus
2. coding能力
3. 能够熟练应用llm辅助工作，快速迭代code，补充必要背景知识
4. 了解或者愿意了解muP系列的工作，看中scaling up的作用

感兴趣的同学请先看完这篇关于muP的paper【A Spectral Condition for Feature Learning】再联系老师tgao9@depaul.edu，如果邮件里没有说明看过这篇paper且分享自己看法的邮件，很可能不会得到回复。谢谢～