训练与推理

陈天奇

Tianqi Chen

XGBoost · TVM

陈天奇是机器学习系统研究者，代表工作包括 XGBoost 和 TVM。他的研究常从完整的软件与硬件路径出发：一个算法不仅要在公式上成立，还需要能处理大量数据，并在不同设备上高效运行。

XGBoost 将梯度提升树与高效的数据结构、缓存访问和并行处理结合，使树模型训练成为可扩展的工程系统。这项工作属于传统机器学习，但其系统优化思路延续到了后来的深度学习工具中。

TVM 则把神经网络计算转换为适合目标硬件的执行程序，同时优化计算图和底层算子。开发者不必为每一种设备完全手写一套实现。他也长期参与开源工具建设，把研究方法做成其他团队能够复用和继续优化的软件。