北京大学算法博弈论实验室（DaGAME 实验室）招收暑期科研实习生，面向所有对相关研究课题感兴趣、有意向的北大本科生或能保证线下参与度的外校本科生。

实验室简介

　　北京大学算法博弈论实验室由邓小铁教授于2019年创立，研究方向为算法博弈论、互联网和区块链经济学、多智能体及机器学习。科研兴趣聚焦在人和智能体在互联网、物联网和区块链交互环境下多方博弈的理论与方法论建立，包括数据信息的认识论刻画、均衡和动力学分析、计算复杂性和算法设计。关注计算与通讯技术应用领域中兴起的问题，特别关注互联网广告机制设计、共享经济中的激励分析和合作竞争，以及区块链的高效共识、声誉机制和跨链机制设计。

导师介绍

　　邓小铁，北京大学讲席教授，ACM/IEEE Fellow，欧洲科学院外籍院士。主要科研方向为算法及博弈论、互联网经济、在线算法，及并行计算。作为项目负责人，他曾承担十几项加拿大、香港、英国，及国家基金委科研项目，并担任多种国际期刊编委。发表论文200余篇，被引用上万次；多次做国际学术会议特邀报告；曾获得 IEEE 理论计算机学术会议 FOCS 最佳论文奖；其成果“关于图与组合优化的若干经典问题的研究”获2015年度高等学校科学研究优秀成果奖。应用方面获得多项美国专利及国家专利。

招生信息

　　招生对象：对相关研究课题感兴趣、有意向的北大本科生或能保证线下参与度的外校本科生。

　　项目时间：2024年7月1日开始。

　　申请流程：请提交初步感兴趣的研究方向和简历至 zjduan[at]pku[dot]edu[dot]cn 并抄送至 xiaotie[at]pku[dot]edu[dot]cn，标题为：2024暑研-姓名-研究方向。简历截止：7月15日，简历最晚回复时间：7月18日。

研究方向介绍

　　算法博弈论 - 理论方向

　　算法博弈论（Algorithmic Game Theory, AGT）是博弈论与计算机科学的交叉领域，其目的是为了在策略性的环境中理解并设计算法。在技术上，其涉及到数学、计算机科学、经济学等多个学科。该方向旨在研究算法博弈论各子方向（如拍卖理论、机制设计、信息设计、投票、标价、在线优化等）的理论，从中找到尚未解决的问题进行研究。

　　本方向需要基本的数学分析和算法分析知识，掌握概率论、随机与近似算法、计算复杂性等知识为加分项。

　　博弈论与经济 - 机器学习算法方向

　　本方向聚焦于机器学习（包括但不限于深度学习与强化学习等）辅助的博弈论与经济学问题求解（如机制设计、均衡求解等）。机器学习已在很多领域被证明是一种高效的计算方法，能够克服理论推导或传统计算的障碍， 而其在博弈论与经济学问题上的潜力尚未被完全挖掘。

　　本方向需要对机器学习的基础理论和统计性质具备一定知识, 了解深度学习的常用模型与训练方法, 最好有神经网络相关项目的编程经验；对算法博弈论、计算经济学的问题有研究兴趣, 最好了解微观经济学与博弈论领域的基本概念；熟练掌握并运用高等数学（数学分析）、线性代数（高等代数）、概率论的基础知识。

　　垂直领域大模型方向

　　垂域大模型专注于特定垂直领域，能够适应该领域的需求和规范，更高效地利用领域专用数据和知识进行训练，能够更深入地理解和处理该领域内的数据和问题，提供更加专业和可靠的服务。

　　我们将展开以下几方面的研究：

• 持续预训练 - 垂直领域中的持续预训练涉及在特定行业内不断更新和调整预训练大模型以适应快速变化的数据和环境。　
• 指令微调 - 在垂直领域，指令微调是指根据特定领域的需求，对大模型进行细致的调整，以适应特定任务的需求。　
• 偏好学习 - 垂直领域的偏好学习关注于如何让大模型理解和学习用户或系统的偏好，并据此做出最优输出/决策。　
• 检索增强生成 - 在垂直领域长尾知识的管理和利用是提高大模型性能的关键。检索增强技术可以处理那些低频但信息丰富的查询。　　
• 垂直领域 Agents - 在垂直领域中部署的 Agents 需要具备处理领域特定问题的能力，能够在复杂的策略环境中进行有效决策。
• 轻量化技术 - 参数高效和/或低计算复杂度地实现上述目标的技术。

　　本方向需要基本的机器学习、概率论和线性代数知识，以及 python 机器学习模型训练经验。复现和/或实验过预训练模型的预训练/微调/偏好学习/agents 技术为加分项。