在淘宝前三年，我主要偏向研究 2d计算机视觉算法，相比于研究GAN、Transformer等热门课题，我更偏向解决一些算法在工业界落地遇到的常见问题，如深度学习模型训练中，常遇到训练数据不足、数据有噪声等问题，所以我更感兴趣噪声标签识别、主动学习等类型算法，也发表了简单实用的O2U-Net[5] (ICCV 2019) 噪声识别算法；另外算法推理性能提升，也是工业应用常见问题，比如在手机端部署CNN模型，需要提升模型推理效率，可能需要模型压缩、剪枝技术，也是我感兴趣的方向之一。 这两年随着元宇宙的爆发，内部团队项目的调整，我也转而开始加入到 元宇宙数字世界构建探索中，开始探索低成本高质量3D建模应用。2022年双十一，淘宝Meta 团队推出的 低成本高质量3D建模工具-Object Drawer，首次将学术界神经渲染3D建模算法(NeRF[1])在工业界规模化落地，实现了十几种品类的低成本建模(成本下降了70%)。我的工作职责主要是Object Drawer性能优化，下面聊一聊性能优化经历。
分布式共识算法是保证分布式一致性的基础，本文主要以简化类比的方式阐述了Paxos算法中的单法令教会会议（The Single-decree SYNOD）的算法。
本文总结了我们过去参与的知识图谱项目中的一般问题和难点，沉淀为体系化的方法论，并针对不同复杂程度的知识建模问题，进行实操指南。
蚂蚁集团芝麻企业信用作为一个 tob 业务，在每个方向上设定合适的技术头狼非常重要，头狼作为业务战场的一号位，总结下来需要做以下几件事情： 了解业务背景、行业以及战场 与业务充分沟通，并理解业务背后的思路 人力盘点，对战场人力划分 整体的技术架构设计 多方协作问题处理 业务数据的思考 推进业务优化升级 以上 7 点是个相对通用的方法论，不论什么业务，其实都可以往里带入，以下根据具体案例，分节详细讨论这 7 点。
除了相关性，复杂信息流推荐场景还需要兼顾多样的业务需求，包括打散（多样性），流量调控，多展示形态/多路供给融合等。传统推荐系统采用pipeline的形式，分步处理上述需求，缺少统筹优化，这些模块之间常出现矛盾与覆盖，限制场景推荐效果。我们提出全新的基于Generator-Evaluator（GE）架构的重排模型，它不仅能够突破传统相关性贪心排序的范式，以序列整体效果为目标生成序列，还能突破pipeline的推荐范式，在一个模型中有机融合复杂业务规则，给出end2end联合最优解。我们在淘宝信息流场景验证了提案的有效性，并全量上线。
