ลัม เอ็ม. เหงียน
Lam Nguyen ที่ NeurIPS 2025 ในซานดิเอโก แคลิฟอร์เนีย สหรัฐอเมริกา
เกิด	เหงียน มินห์ ลัม ( 22 ตุลาคม 1986 )22 ตุลาคม 2529 ฮานอยประเทศเวียดนาม
การศึกษา	มหาวิทยาลัยโลโมโนซอฟมอสโก (ปริญญาตรี) มหาวิทยาลัยแมคนีสสเตท (ปริญญาโทบริหารธุรกิจ) มหาวิทยาลัยลีไฮ (ปริญญาเอก)
เป็นที่รู้จักในด้าน	อัลกอริทึม SARAH; การเพิ่มประสิทธิภาพสำหรับการเรียนรู้ของเครื่องจักร
เส้นทางอาชีพด้านวิทยาศาสตร์
ฟิลด์	การเพิ่มประสิทธิภาพ , การเรียนรู้ของเครื่องจักร , คณิตศาสตร์ประยุกต์
สถาบันต่างๆ	ห้อง ปฏิบัติการวิจัย IBM Watson AI Lab ของ MIT มหาวิทยาลัย Lehigh
อาจารย์ที่ปรึกษาปริญญาเอก	แคทย่า ไชน์เบิร์ก
ที่ปรึกษาทางวิชาการท่านอื่นๆ	วลาดิมีร์ ดมิทรีเยฟ

Lam M. Nguyen (หรือLam Nguyen ; ภาษาเวียดนาม: Nguyễn Minh Lâmเกิด 22 ตุลาคม 1986) ^{[ 1 ] [ 2 ] [ 3 ]}เป็นนักวิทยาศาสตร์คอมพิวเตอร์และนักคณิตศาสตร์ประยุกต์ชาวเวียดนาม-อเมริกัน เป็นที่รู้จักจากผลงานด้าน อัลกอริทึม การเพิ่มประสิทธิภาพสำหรับการเรียนรู้ของเครื่องและโดดเด่นในการเสนอและพัฒนาวิธีการไล่ระดับแบบวนซ้ำเชิงสุ่มSARAH ^{[ 4 ]}เขาเป็นนักวิทยาศาสตร์วิจัยที่IBM Research , Thomas J. Watson Research Center , นิวยอร์กสหรัฐอเมริกาซึ่งงานวิจัยของเขามุ่งเน้นไปที่จุดตัดระหว่างการเพิ่มประสิทธิภาพและการเรียนรู้ของเครื่อง^{[ 5 ]}เขาเป็น สมาชิกอาวุโส ของ INFORMSและเป็นสมาชิกของ สมาคมเกียรติยศ Beta Gamma Sigma ซึ่งเป็นหนึ่งในเกียรติยศสูงสุด ที่นักศึกษาธุรกิจจะได้รับ^{[ 6 ] [ 7 ]}

Nguyen สำเร็จการศึกษาระดับปริญญาตรีวิทยาศาสตรบัณฑิต สาขาคณิตศาสตร์ประยุกต์และวิทยาการคอมพิวเตอร์ จากมหาวิทยาลัยโลโมโนซอฟมอสโก (2008) ภายใต้การดูแลของVladimir Dmitriev ^{[ 2 ]} ปริญญาโทบริหารธุรกิจ (MBA) จากมหาวิทยาลัย McNeese State University (2013) และปริญญาเอก สาขาวิศวกรรมอุตสาหกรรมและระบบ จากมหาวิทยาลัย Lehigh University (2018) วิทยานิพนธ์ของเขาเรื่อง " ระบบบริการที่มีเอเจนต์ตามความต้องการ อัลกอริทึมการไล่ระดับแบบสุ่ม และอัลกอริทึม SARAH"ได้รับรางวัลวิทยานิพนธ์ Elizabeth V. Stout ของมหาวิทยาลัย^{[ 8 ]}ที่ปรึกษาปริญญาเอกของเขาคือKatya Scheinberg

เขาเข้าร่วมIBM Researchในปี 2018 ในตำแหน่งนักวิทยาศาสตร์วิจัย^{[ 5 ]}ตั้งแต่ปี 2020 Nguyen เป็นหัวหน้าโครงการวิจัยที่MIT-IBM Watson AI Labโดยเป็นผู้นำโครงการเกี่ยวกับการเรียนรู้ที่ปลอดภัยและตีความได้สำหรับข้อมูลอนุกรมเวลา เขาได้รับการแต่งตั้งเป็นอาจารย์พิเศษที่มหาวิทยาลัย Lehigh ในปี 2024 ^{[ 9 ]}

งานวิจัยของ Nguyen มุ่งเน้นไปที่วิธีการเพิ่มประสิทธิภาพสำหรับการเรียนรู้ของเครื่องและการเพิ่มประสิทธิภาพเชิงสุ่มเขาได้รับการยอมรับว่าเป็นผู้คิดค้นหลักของ อัลกอริทึม SARAH (Stochastic Recursive Gradient)ซึ่งเปิดตัวในงาน ICML 2017และมีอิทธิพลต่อวิธีการเพิ่มประสิทธิภาพที่ลดความแปรปรวนในวงกว้าง^{[ 4 ] [ 10 ] [ 11 ] [ 12 ] [ 13 ]}อัลกอริทึม SARAH ได้ถูกรวมอยู่ในหลักสูตรระดับบัณฑิตศึกษาเกี่ยวกับการเพิ่มประสิทธิภาพเชิงสุ่มและการเรียนรู้ของเครื่องในมหาวิทยาลัยวิจัยหลายแห่ง รวมถึงมหาวิทยาลัยพรินซ์ตันและEPFLซึ่งนำเสนอเป็นวิธีการลดความแปรปรวนที่เป็นตัวแทนในหลักสูตรการเพิ่มประสิทธิภาพสมัยใหม่^{[ 14 ] [ 15 ]}

เขาเป็นบรรณาธิการร่วมของหนังสือFederated Learning: Theory and Practice (Elsevier, 2024) ซึ่งนำเสนอเนื้อหาที่เป็นเอกภาพทั้งในด้านทฤษฎีและการปฏิบัติของการเรียนรู้แบบสหพันธ์^{[ 16 ]}

Nguyen ดำรงตำแหน่งบรรณาธิการปฏิบัติการของวารสาร Journal of Machine Learning ResearchและMachine Learningและเป็นบรรณาธิการร่วมของวารสาร Journal of Optimization Theory and Applications [ ^{17 ] [ 18 ] [ 19 ] เขา} อยู่ในคณะกรรมการจัดงานสำหรับการประชุม Conference on Neural Information Processing Systems (NeurIPS) 2023–2025 ^{[ 1 ]}และประธานอาวุโสประจำพื้นที่สำหรับการประชุม International Conference on Machine Learning (ICML) , International Conference on Learning Representations (ICLR) , Conference on Neural Information Processing Systems (NeurIPS)และArtificial Intelligence and Statistics (AISTATS)เขาได้จัดเวิร์กช็อปที่ NeurIPS 2021 และ AAAI 2023

Nguyen ได้รับเชิญให้บรรยายในงานประชุมสำคัญหลายงาน รวมถึง งานประชุมประจำปี ของ INFORMS หลายครั้ง เขาเป็นวิทยากรหลักในการประชุมนานาชาติว่าด้วยการสร้างแบบจำลองการคำนวณ และการเพิ่มประสิทธิภาพ (MCO 2025) ซึ่งจัดขึ้นที่มหาวิทยาลัย Lorraine ประเทศฝรั่งเศส โดยนำเสนอหัวข้อ Advances in Non-Convex Optimization: Shuffling Methods and Momentum Techniques for Machine Learning ^{[ 20 ]}

• Nguyen, LM และคณะ (2017). "SARAH: วิธีการใหม่สำหรับปัญหาการเรียนรู้ของเครื่องโดยใช้การไล่ระดับแบบวนซ้ำเชิงสุ่ม" ในรายงานการประชุม ICML 2017 ^{[ 4 ]}
• Nguyen, LM และคณะ (2021). "การวิเคราะห์การบรรจบกันแบบรวมสำหรับวิธีการไล่ระดับแบบสับเปลี่ยน" วารสารการวิจัยการเรียนรู้ของเครื่อง^{[ 21 ]}
• Nguyen, LM และคณะ (2024). การเรียนรู้แบบสหพันธ์: ทฤษฎีและการปฏิบัติ . Elsevier. ^{[ 16 ]}

• ผลงานตีพิมพ์ของ Lam Nguyenที่ได้รับการจัดทำดัชนีโดยGoogle Scholar
• โปรไฟล์ของ IBM Research
• หน้าผู้เขียนของ IEEE Xplore
• โปรไฟล์ MIT–IBM Watson AI Lab