講題： 多模態數據生命週期：標註、篩選、混合與合成
· 講者： 黃子恒 (Tzu-Heng Huang)
· 時間與地點： 1月15日（週四）10:45-12:00
· 地點：臺灣大學博理館101教室
演講內容簡介：
高質量的真人標註數據是機器學習取得重大突破的核心動力 。然而，隨著多模態模型規模的擴大，對此類數據的需求已遠超人工標註的產能，導致成本與效率成為發展瓶頸 。
本次演講將從**以數據為中心的人工智慧（Data-centric AI）**視角出發，探討多模態數據生命週期的四個關鍵階段：標註、篩選、混合與合成 。
1. 自動化標註： The ALCHEmist，這是一個透過程式蒸餾（Program Distillation）實現的新型自動化標註系統，並分享其在大型語言模型（LLM）評測指標中的應用（收錄於 NeurIPS 2024 Spotlight） 。
2. 細粒度篩選： Grad-Mimic，這是一種用於高效預訓練的細粒度數據篩選技術（收錄於 ICML 2025 DataWorld Oral） 。
3. 數據混合： R&B 策略，這是一種旨在優化多模態數據組合並降低開銷的數據混合方法 。
4. 數據合成：提出一個具備**可學習性感知（Learnability-aware）**的數據合成框架 。
總體而言，這些基於**弱監督學習（Weak Supervision）**的數據中心化方法，有望實現更有效的數據篩選、更高效率的生成，並建構出輕量化標註的機器學習系統，以支撐未來大規模多模態模型的擴展 。
講者簡介：
威斯康辛大學麥迪遜分校（University of Wisconsin-Madison）電腦科學系的博士候選人（應屆畢業生），師從 Frederic Sala 教授 。他於 2020 年取得國立政治大學電腦科學系學士學位 。其現階段研究聚焦於多模態模型的以數據為中心之人工智慧（Data-Centric AI），致力於開發能讓模型在較少監督下學習更多知識的方法 。
核心研究領域：
l 在線領域混合（Online Domain Mixing）
l 模型感知之預訓練數據篩選（Model-aware Pretraining Data Selection）
l 數據策展集成（Data Curation Ensembles）
l 具成本效益的自動化標註系統
研究經歷：
曾在 Apple AIML（專注於大規模 CLIP 預訓練）、Meta GenAI（專注於合成數據生成）以及阿貢國家實驗室（Argonne National Laboratory）實習 。此外，他創辦了 Awan.AI LLC（現已併入 TechTCM），致力於將 AI 代理技術應用於傳統中醫領域 。
獲獎經歷：
研究成果多次發表於 NeurIPS、ICML 及 ICCV 等頂級學術會議，並榮獲 NeurIPS 2024 Spotlight、ICML 2025 DataWorld Oral 以及 ICCV DataComp 2023 冠軍等獎項 。