Constantine Caramanis (nacido el 25 de agosto de 1977) es un profesor en el Departamento de Ingeniería Eléctrica y Computación de la Universidad de Texas en Austin, donde ocupa la Cátedra Distinguida Chandra Family en Ingeniería Eléctrica y Computación. Su investigación se centra en el aprendizaje automático, la estadística de alta dimensión, la optimización y la toma de decisiones en sistemas a gran escala, con aplicaciones en comunicaciones, transporte, energía y redes sociales.
Caramanis es conocido por sus contribuciones a la optimización robusta y adaptable, así como al análisis de datos corruptos o incompletos en entornos de alta dimensión. Su trabajo une fundamentos teóricos y algoritmos prácticos, abordando desafíos en la inteligencia artificial y la ciencia de datos.
Educación y carrera
Caramanis recibió una licenciatura en matemáticas de la Universidad de Harvard. Luego realizó estudios de posgrado en el Instituto de Tecnología de Massachusetts, obteniendo títulos de maestría y doctorado en ingeniería eléctrica y ciencias de la computación. Su tesis doctoral, completada en 2006, se tituló Optimización adaptable: teoría y algoritmos.
En 2006, se unió a la facultad del Departamento de Ingeniería Eléctrica y Computación de la Universidad de Texas en Austin. A lo largo de su carrera, ha supervisado a numerosos estudiantes de doctorado y ha colaborado con investigadores de instituciones académicas y la industria.
Contribuciones de investigación
El trabajo temprano de Caramanis sobre optimización adaptable introdujo métodos para la toma de decisiones bajo incertidumbre, donde los parámetros no se conocen completamente en el momento de la optimización. Esta línea de investigación tiene aplicaciones en diseño de redes, logística y sistemas energéticos.
En estadística de alta dimensión, ha estudiado problemas que involucran datos corruptos o incompletos, desarrollando estimadores y algoritmos que permanecen fiables en presencia de valores atípicos o entradas faltantes. Este trabajo se conecta con la teoría del aprendizaje profundo y las redes neuronales, particularmente en la comprensión de cómo se comportan los modelos con datos de entrenamiento imperfectos.
Su investigación reciente aborda la eficiencia y robustez de los modelos de lenguaje grandes, incluyendo temas relacionados con el poda de modelos y la aumentación de datos. También ha explorado técnicas de optimización como variantes del descenso de gradiente estocástico y programas de tasa de aprendizaje para entrenar arquitecturas modernas.
Reconocimientos y premios
En 2011, Caramanis recibió un Premio CAREER de la Fundación Nacional de Ciencias por su investigación en estadística de alta dimensión y el análisis de datos corruptos o incompletos. Este premio apoya a profesores en etapas tempranas de su carrera que muestran potencial para servir como modelos académicos.
Fue elevado a Fellow del IEEE en la clase de 2023, un honor que reconoce sus contribuciones a la estadística robusta y la optimización de alta dimensión. La beca está reservada para individuos con logros sobresalientes en campos designados por el IEEE.
Caramanis también ha servido en comités de programas para conferencias importantes en aprendizaje automático y optimización, y ha dado charlas invitadas en instituciones como Berkeley y Oxford.
Enseñanza y servicio
En la Universidad de Texas en Austin, Caramanis imparte cursos sobre optimización, aprendizaje automático y probabilidad. Ha asesorado a estudiantes de posgrado que han pasado a ocupar puestos en la academia y la industria, incluidos roles en Google DeepMind y OpenAI.
Ha contribuido a la comunidad de investigación más amplia a través de servicios editoriales para revistas y organización de conferencias. Su trabajo a menudo involucra colaboración interdisciplinaria, uniendo ingeniería eléctrica, ciencias de la computación y estadística.
Publicaciones seleccionadas
Caramanis ha escrito numerosos artículos en revistas revisadas por pares y actas de conferencias. Los temas notables incluyen análisis de componentes principales robusto, recuperación dispersa y optimización robusta adaptativa. Sus publicaciones son ampliamente citadas en los campos de la estadística de alta dimensión y la optimización.
Su investigación ha sido apoyada por agencias federales, incluida la Fundación Nacional de Ciencias y la Oficina de Investigación Naval, así como por socios industriales. Continúa investigando preguntas fundamentales en el aprendizaje y la toma de decisiones bajo incertidumbre.