# Aleksander Madry > Aleksander Mądry 是一位计算机科学家，也是麻省理工学院（MIT）的教授，以其在机器学习、对抗鲁棒性、优化和图算法方面的研究而闻名。 - Canonical URL: https://iq.wiki/zh/wiki/aleksander-madry - Categories: People in crypto - Tags: Researcher - Created: 2026-10-24T06:31:58.909Z - Last updated: 2026-10-24T06:31:58.909Z - Source: IQ.wiki — the world's largest blockchain and crypto encyclopedia (https://iq.wiki) --- **Aleksander Mądry** 是一位计算机科学家，其研究领域涵盖机器学习、优化、图算法和理论计算机科学。他是麻省理工学院（MIT）电气工程与计算机科学系（EECS）的教授，计算机科学与人工智能实验室（CSAIL）成员，MIT 可部署机器学习中心主任，以及 MIT AI 政策论坛的教职负责人之一。[\[1\]](#cite-id-8bvgdsuuaw)​[\[2\]](#cite-id-rxaks3kw7c)​ ## Education and Career Mądry 于 2007 年至 2011 年在 MIT 学习计算机科学，并于 2011 年获得博士学位。他的博士论文《从图到矩阵，再到图：图算法的新技术》（From Graphs to Matrices, and Back: New Techniques for Graph Algorithms）获得了 ACM 博士论文奖荣誉提名，以及 MIT 授予计算机科学最佳博士论文的 George M. Sprowls 奖。[\[1\]](#cite-id-8bvgdsuuaw)​[\[2\]](#cite-id-rxaks3kw7c)​ 2011 年 7 月至 2012 年 6 月，他在微软研究院新英格兰分院担任博士后研究员。随后他加入洛桑联邦理工学院（EPFL）任教，于 2012 年 7 月至 2015 年 1 月担任助理教授。他于 2015 年 2 月成为 MIT 教授。[\[2\]](#cite-id-rxaks3kw7c) Mądry 的研究兴趣包括开发可靠且易于理解的机器学习方法，使其能够安全、负责任地部署以支持现实世界的决策。[\[1\] ](#cite-id-8bvgdsuuaw)​ ## Research ### 图算法与优化 Mądry 的早期工作集中在图算法、流、匹配、路由和在线算法。他的研究在涉及图连通性和网络流的问题中使用了电流方法。在与 Paul Christiano、Jonathan Kelner、Daniel Spielman 和 Shang-Hua Teng 合著的《电流、拉普拉斯系统与无向图中最大流的更快近似》（_Electrical Flows, Laplacian Systems, and Faster Approximation of Maximum Flow in Undirected Graphs_）中，他将电流和拉普拉斯系统与无向图中最大流的更快近似联系起来。该论文获得了 2011 年 ACM 计算理论年会（STOC）的最佳论文奖，并受邀发表于《ACM 学报》（_Journal of the ACM_）。[\[1\]](#cite-id-8bvgdsuuaw)​[\[3\]](#cite-id-odonstar0m)​ 这一时期的其他工作包括《更快速地生成随机生成树》（_Faster Generation of Random Spanning Trees_）、《无向图中基于割的问题的快速近似算法》（_Fast Approximation Algorithms for Cut-based Problems in Undirected Graphs_）以及《通过动态图算法实现分数多商品流问题的更快速近似方案》（_Faster Approximation Schemes for Fractional Multicommodity Flow Problems via Dynamic Graph Algorithms_）。他于 2010 年与 Arash Asadpour、Michel Goemans、Shayan Oveis Gharan 和 Amin Saberi 合著的关于非对称旅行商问题近似算法的论文，获得了离散算法研讨会（SODA）的最佳论文奖。[\[1\]](#cite-id-8bvgdsuuaw)​ ### 机器学习鲁棒性与评估 从 2017 年起，Mądry 的发表物越来越多地涉及深度学习，包括模型如何应对对抗性输入，以及鲁棒性与准确性和泛化能力之间的关系。2018 年在 ICLR 发表的《迈向抗对抗攻击的深度学习模型》（_Towards Deep Learning Models Resistant to Adversarial Attacks_）之后，他又发表了《对抗鲁棒的泛化需要更多数据》（_Adversarially Robust Generalization Requires More Data_）和《鲁棒性可能与准确性相悖》（_Robustness May Be at Odds with Accuracy_）。这些论文探讨了与模型训练、数据需求和准确性相关的对抗鲁棒性。2019 年在 NeurIPS 发表的《对抗样本不是 Bug，它们是特征》（_Adversarial Examples Are Not Bugs, They Are Features_）被选为焦点论文（spotlight paper）。这一时期的其他工作研究了使用强盗方法（bandit methods）和先验的黑盒攻击、空间鲁棒性，以及使用鲁棒分类器进行图像合成。Mądry 还合著了《关于评估对抗鲁棒性》（_On Evaluating Adversarial Robustness_），这是一项 2019 年关于评估模型鲁棒性方法的研究。[\[1\]](#cite-id-8bvgdsuuaw)​[\[3\]](#cite-id-odonstar0m)​ ## Work at OpenAI 在 2024 年 1 月的一篇 LinkedIn 帖子中，Mądry 描述了 OpenAI 作为其 Preparedness 努力的一部分所做的早期工作，即评估与大型语言模型赋能生物威胁制造相关的风险。他表示，这项工作包括一份评估该风险的初步蓝图。[\[2\]](#cite-id-rxaks3kw7c)​ Mądry 还被列为 2024 年 GPT-4o 系统卡片和 2024 年 OpenAI o1 系统卡片的合著者。[\[3\]](#cite-id-odonstar0m)​ ## Teaching and Academic Leadership 在 MIT，Mądry 教授过算法、理论计算机科学、优化、机器学习和决策等课程。他的课程包括算法设计与分析、高级算法、深度学习科学、在线决策：优化、控制与博弈，以及人工智能、决策与社会。从 2017 年春季到 2023 年春季，他在多个学期教授了算法设计与分析。[\[1\]](#cite-id-8bvgdsuuaw)​ 他的学术领导职务包括担任 MIT 可部署机器学习中心主任，并担任 MIT AI 政策论坛的教职负责人之一。[\[1\]](#cite-id-8bvgdsuuaw)​