成欣培 — 研究者分析报告
分析模式：快速 | 分析时间：2026-03-16T00:37:41
评分：活跃研究者（45.7/100）
基本指标
| 指标 | 数值 |
|---|---|
| 机构 | 未知 |
| h指数 | 13 |
| 总引用数 | 450 |
| 近5年引用数 | 7 |
| 总论文数 | 29 |
| 顶级会议论文数 | 7 |
| 发表时间 | 2016 – 2024 |
| Semantic Scholar | 3461946 |
研究轨迹
成欣培是一位专注于高效AI系统和边缘部署的研究者。他的学术发展可以分为三个明确阶段。2016–2018年间，他开始研究IBM TrueNorth神经计算平台，深入研究在硬件限制下的神经网络量化和对抗性鲁棒性问题，对“有限计算能力下的AI实现”问题有了系统性的理解。这一阶段为他对算法和硬件的双重视角奠定了基础。
2019–2020年是他产出和影响力最高的时期。他主持的综述文章《低功耗计算机视觉》（63次引用）系统性地定义了低功耗计算机视觉领域；同年在NAS领域的几篇论文（MSNet、AutoShrink、SwiftNet）专注于物联网/边缘设备的架构搜索；2020年的《排序混沌》（MLSys，58次引用）解决了不规则NAS网络内存调度中的工程瓶颈，标志着NAS研究向实际部署迈进的关键一步。
2021年后其产出显著放缓（2021年几乎无出版物），从2022–2024年，他专注于零样本NAS和高效Transformer。2025–2026年的新论文集中在端到端自动驾驶方向（RoCA、FALO、生成场景扩展），表明他已进入行业领域，将注意力转向自动驾驶系统的边缘部署。总体而言，他属于“效率工程师”类型的研究者，而非创造新范式的奠基人物，但在低功耗AI部署领域做出了重要的学术贡献。
突破性成果
1. 低功耗计算机视觉：现状、挑战与机遇（2019）
描述：本文系统性地回顾了低功耗计算机视觉的当前状况、挑战与机遇，涵盖模型压缩、硬件加速和移动部署等多个维度，成为该领域的里程碑式综述文章。
之前无法完成的原因：2018年前，移动AI生态系统尚未成熟：轻量级模型如MobileNet/ShuffleNet刚刚出现，NAS方法并不普遍，且缺乏实际芯片（Kirin、A系列NPU）上的大规模应用数据来支持基于实证数据的系统性回顾。2019年是加速工业应用和多样化学术方法的理想时期。
影响：凭借63次引用，成为他被引用最多的论文，为后续低功耗视觉研究提供了统一的问题框架和基准，促进了对“边缘计算效率”的系统性关注。
2. 排序混沌：用于边缘设备的不规则连线神经网络的记忆感知调度（2020）
描述：针对产生不规则计算图的NAS和随机连线网络，本文提出了一种记忆感知调度算法，使此类网络能够在内存受限的边缘设备上高效运行，并弥合了NAS设计与实际部署之间的工程差距。
之前无法完成的原因：不规则连线NAS网络（如随机连线网络）仅在2018–2019年出现，因此内存调度问题完全是新问题。在此之前，常规网络（VGG、ResNet）具有固定的计算图和简单的调度；同时，2019年成立的MLSys会议为论文发表提供了平台。关键洞察是将NAS中的不规则图视为调度优化问题而非纯算法问题。
影响：发表于2020年的MLSys会议，获得58次引用。它明确了“NAS不仅关乎搜索精度，还关乎可部署性”的范式，影响了后续硬件感知NAS的研究方向。
3. MAT：一种多强度对抗训练方法以缓解对抗攻击（2018）
描述：本文提出一种多强度对抗训练策略，通过在训练过程中混合不同扰动强度的对抗样本，显著提高了DNN对各种对抗攻击的鲁棒性，同时降低了干净样本的精度损失。
之前无法完成的原因：对抗样本问题由Goodfellow等人在2014年提出，但早期防御方法（如单强度对抗训练）很快证明对强攻击无效。2017–2018年PGD和C&W攻击的出现暴露了单强度训练的局限性，导致需要多强度策略。在计算层面，2017年前生成和训练多轮对抗样本成本过高。
影响：凭借29次引用，成为其早期阶段被引用最多的算法工作。它为对抗鲁棒性训练方法做出了明确的技术贡献，为后续神经计算安全研究（AdverQuil，2019）奠定了基础。
4. NASGEM：通过图嵌入方法的神经架构搜索（2020）
描述：本文将图嵌入方法引入NAS，使用图神经网络对架构的拓扑结构进行编码，构建架构性能预测器，实现了基于估计器的更灵活、可扩展的NAS框架。
之前无法完成的原因：2019年前基于预测器的NAS刚刚起步，架构编码方法多为简单序列或手动特征。图神经网络在2018–2019年开始成熟（GraphSAGE、GIN等），使用GNN对架构拓扑进行编码在2019–2020年成为成熟思路。
影响：发表于2020年的AAAI会议，获得24次引用，推动了“用图表示架构”的NAS技术路线，与排序混沌一起在2020年达到双高峰输出。
5. 面向差分隐私的去中心化深度学习（2019）
描述：本文提出了在去中心化分布式学习框架内进行差分隐私保护的算法，在尊重隐私预算的同时保持良好的收敛速度和通信效率，适用于联邦学习场景。之前无法实现的原因：差分隐私与深度学习结合的方法（如DP-SGD）由Abadi等人在2016年提出，但主要用于集中式场景。2018年前，去中心化训练（无参数服务器）存在高通信开销和复杂的隐私分析问题。随着分布式优化理论和通信压缩技术的进步，2019年出现了同时处理这两个问题的条件。
影响：该论文获得36次引用，在隐私保护型分布式学习领域引起广泛关注，其研究范围从硬件效率扩展到系统安全。
研究方向
- 高效的神经网络设计与边缘部署（量化、NAS、内存调度）
- 低功耗计算机视觉
- 对抗性攻击与防御策略
- 神经计算（早期阶段）
- 端到端自动驾驶系统（近期发展）
方法论演变
程先生的方法论从“单点优化”到“系统级协作”，再到“任务驱动”经历了三个阶段。早期（2016–2018年）主要依赖经验算法：在IBM TrueNorth中提出了补偿学习策略来应对量化损失，针对对抗性攻击设计了多强度训练数据增强方法。这些方法直接且可验证，但视角局限于单一维度。
从2019–2020年起，方法论演变为“搜索+图结构+约束意识”的系统性范式：NAS研究普遍引入图表示（NASGEM使用GNN编码架构拓扑，MSNet/SwiftNet使用图传播元知识），优化目标从单一精度扩展到精度×延迟×内存的多目标权衡；Ordering Chaos进一步将问题建模为调度优化，跨越了算法与系统的边界。2022年后，零样本NAS（ZiCo-BC）出现，试图用与训练无关的代理指标替代昂贵的架构评估，代表了对效率的极致追求。2025年后的自动驾驶论文反映了从“如何设计高效模型”到“如何在真实闭环系统中部署”的工程转变。
领域影响
程先生在低功耗/边缘AI领域具有明确但中规模的影响力：h指数为13，总引用数为450，其中两篇核心论文（低功耗计算机视觉综述获得63次引用，Ordering Chaos获得58次引用）贡献了约四分之一的引用。他的贡献主要在于“连接NAS与实际部署的最后一步”——这是一个在学术界常被忽视的工程问题——而Ordering Chaos在MLSys上的发表标志着系统领域对这一问题的正式认可。过去5年中仅7次引用表明其学术活动显著下降，说明其关注点转向工业研究。总体而言，他是边缘AI部署领域的宝贵贡献者，但尚未达到创造新研究范式的基础人物水平。
高被引论文（前20名）| # | 年份 | 引用数 | 标题 |
|—|——|——|——| | 1 | 2019 | 63 | 低功耗计算机视觉：现状、挑战与机遇 | | 2 | 2020 | 58 | Ordering Chaos：用于边缘设备的非规则连接神经网络的记忆感知调度 | | 3 | 2019 | 36 | 利用差分隐私实现去中心化深度学习 | | 4 | 2018 | 33 | 神经形态计算的过去、现在与未来——一种演变视角 | | 5 | 2018 | 29 | MAT：一种多强度对抗性训练方法以缓解对抗性攻击 | | 6 | 2017 | 27 | 理解IBM神经突触系统的设计及其权衡：用户视角 | | 7 | 2018 | 26 | LEASGD：一种高效且保护隐私的去中心化分布式学习算法 | | 8 | 2020 | 24 | NASGEM：通过图嵌入方法进行的神经架构搜索 | | 9 | 2016 | 23 | ApesNet：一种像素级高效的分割网络 | | 10 | 2019 | 17 | MSNet：用于物联网的结构化连接神经架构搜索 | | 11 | 2020 | 15 | 对抗性攻击：智能设备的新威胁及防御方法 | | 12 | 2018 | 14 | 可微细粒度量化用于深度神经网络压缩 | | 13 | 2018 | 13 | 2018年低功耗图像识别挑战赛 | | 14 | 2019 | 11 | SwiftNet：使用图传播作为元知识搜索具有高度代表性的神经架构 | | 15 | 2019 | 10 | 低功耗计算机视觉：现状、挑战与机遇 | | 16 | 2020 | 10 | ScaleNAS：用于视觉识别的尺度感知表示一次学习法 | | 17 | 2016 | 9 | 探索IBM TrueNorth平台克服量化损失的最佳学习技术 | | 18 | 2019 | 9 | AutoShrink：一种关注拓扑结构的高效神经架构搜索 | | 19 | 2019 | 6 | 在语音识别中学习高效的稀疏结构 | | 20 | 2018 | 4 | Bamboo：球形数据增强方法用于从所有方向防御对抗性攻击 |