研究方向: 聚焦于边缘具身智能系统（Edge Embodied AI Systems）与高效智能计算（Efficient AI Computing）领域的研究工作，涵盖：高效大模型服务（Efficient LLM/MoE Serving）、生成扩散与VLA模型（Diffusion Generative and VLA Models）、端侧/微型机器学习（On-Device/Tiny Machine Learning）、神经编解码器与视频流媒体（Neural Codec and Video Streaming）、AI赋能智能网络/材料/物流（AI for Networking/Material/Logistics）等研究方向。 在研课题/On-going Research Topics： • Edge-Native Embodied AI Systems (e.g., robot learning, control and agent). • Efficient On-Device LLM/MoE Serving Systems (e.g., running 7B-scale models with 3GB RAM). • Diffusion/Neural-Enhanced Video Streaming on Edge (e.g., semantic coding “beyond” Shannon Capacity). • AI for Science (e.g., metal catalysts on oxide support, supply chain resilence of arctic marine logistics). 承担项目/Research Projects： [1] 人工智能与数字经济广东省实验室（深圳）开放课题基金项目，GML-KF-26-13，面向昇腾CANN生态的边缘原生世界模型训推架构关键技术研究，主持 [2] 广东省自然科学基金面上项目，2026A1515011556，基于视频感知学习的边端融合智能系统关键技术研究，主持 [3] 深圳市基础研究面上项目，JCYJ20250604181612017，边缘原生驱动的大模型智算架构与训推优化关键技术研究，主持 [4] 国家自然科学基金优秀青年科学基金项目（海外），24IAA01392，面向算网融合与云边协同的边缘原生智能系统，主持 [5] 深圳市鹏城特聘岗位高端人才科研启动项目，基于边缘原生的具身大模型与高效智能计算关键技术研究，主持
查看详情
研究方向: 2006-2007参与AlphaMiner数据挖掘开源系统（www.alphaminer.org）的开发，领导开发了AlphaMiner 1.1-2.5版本，已经成为国际上重要的数据挖掘开源软件，被国内外许多大学和公司采用。2010年起，领导开发AlphaMiner云版本，首次实现了AlphaMiner与著名云计算平台Hadoop的无缝对接，并在2010年和2011年高交会予以展示。2012年作为主要参与人参与中科院战略先导专项中的一个课题“海云数据系统关键技术研究与系统研制”，2013年研发了包含超过10个支持TB级大数据挖掘的分布式数据挖掘算法库。2013年获批自然科学基金青年基金项目“面向TB级大数据的分布式属性分层加权子空间聚类集成方法研究”，2017年、2023年、2024年多次获批自然科学基金面上项目“基于图割的现行无监督学习框架、扩展模型及大数据应用研究”、“数据知识双驱动的小样本学习理论、方法及应用研究”和“认知增强的开放词汇学习及推理技术研究”。 课题组面向人工智能由“大模型”向“智能体”演进的前沿趋势，围绕多模态检索与问答、视觉语言推理、知识增强、可信多模态智能体等方向开展研究。团队注重理论研究与实际应用相结合，与产业界保持紧密合作，欢迎有志于在大模型、多模态、智能体和AI应用系统等方向深入发展的学生加入。近年来，课题组在多模态学习、视觉语言理解、智能体系统和可信人工智能等方向持续开展研究。陈小军教授连续多年入选斯坦福大学发布的“全球前2%顶尖科学家榜单”，曾获深圳市自然科学技术奖二等奖、广东省自然科学技术奖二等奖。先后主持或参与国家自然科学基金面上项目、重大研究计划培育项目、重点项目、科技部重点研发计划、中国科学院战略性先导科技专项、深圳市基础研究重点项目等科研项目。 主要研究方向包括： 多模态学习与跨模态对齐； 多模态检索与多模态问答； 视觉语言推理与知识增强； 多模态生成与大模型应用； 多模态智能体、可信智能体与智能体应用系统。 已发表论文列表： https://dblp.org/pid/20/3215-6.html
查看详情
研究方向: 机器学习与不确定性信息处理，包括示例模糊表示的归纳学习、近似推理与专家系统、神经网络敏感性分析、统计学习理论、模糊测度与模糊积分、随机权网络和近期的大数据机器学习理论与方法等。主要研究特色是通过发现和表示大数据中的不确定性，挖掘大数据的结构分布，进而利用分布并行技术，设计并实现适用于不同类型大数据的分类和聚类算法，以及相应的关键技术和理论问题研究。
查看详情
研究方向: Data Mining, Big Data, Artificial Intelligence, Pattern Mining, Itemset Mining, Graph Mining, Sequence Prediction
查看详情
研究方向: big data mining, distributed and parallel computing, and ensemble learning
查看详情
