Beth Anne Bennett是佛蒙特大学（UVM）的人工智能研究员和教授，她领导着一个专注于机器学习和神经网络可解释性的实验室。她的工作将深度学习的理论基础与安全关键系统的实际应用相连接，获得了美国国家科学基金会（NSF）和IEEE的认可。贝内特也是透明人工智能实践的积极倡导者，经常为算法问责制的政策讨论做出贡献。
贝内特于2010年在卡内基梅隆大学获得计算机科学博士学位，其关于高维数据稀疏损失函数的论文获得了该校杰出论文奖。她于2012年以助理教授身份加入UVM教师队伍，并于2019年成为正教授。她的早期职业生涯包括2010年至2012年在MIT CSAIL的博士后研究，期间她参与了用于图像识别的残差网络架构的合作研究。
研究贡献
贝内特的主要研究领域是人工智能系统在分布偏移下的鲁棒性。2015年，她发表了一篇关于梯度裁剪技术的开创性论文，该技术可防止持续学习中的灾难性遗忘，已被引用超过3000次。她2017年的工作引入了一种针对循环网络定制的新型批归一化变体，提高了序列建模任务中的训练稳定性。她还共同开发了一个模型剪枝框架，在不损失准确率的情况下将推理成本降低了40%，已被多家工业实验室采用。
她近期工作的很大一部分涉及大型语言模型的安全性。2021年，贝内特提出了一种使用top-p采样统计量检测幻觉内容的方法，该方法后来被整合到开源评估工具中。她2022年关于从AI反馈中进行强化学习（RLAIF）的论文表明，较小的模型可以使用合成偏好数据进行对齐，从而减少对人类标注的依赖。这项工作影响了Anthropic和OpenAI的实践，尽管贝内特与这两个组织没有正式关联。
教学与指导
在UVM，贝内特教授关于深度学习和Transformer (architecture)架构的研究生课程，以及一门关于人工智能伦理的本科研讨会。她指导了15名博士生和30篇硕士论文，其中几位校友现在在Google DeepMind、Amazon Web Services和Intel担任研究职位。2018年，她获得了UVM工程学院的卓越教学奖，2021年她被命名为大学杰出教授。
贝内特还指导UVM的“人工智能促进社会公益”计划，该计划与当地非营利组织合作，将机器学习应用于公共卫生和环境监测。在她的领导下，该计划已部署了用于罕见疾病检测的数据增强流水线和用于森林砍伐卫星图像分析的U-Net模型。
专业服务
贝内特曾担任NeurIPS（2019年、2021年）和ICML（2020年、2022年）的领域主席。她是《人工智能研究杂志》（JAIR）的副主编，并在主要会议上组织了多次关于可解释人工智能的研讨会。2017年，她共同主持了IEEE安全与隐私研讨会的AI轨道，将她在鲁棒性和对抗性攻击方面的兴趣联系起来。
自2016年以来，她一直是NSF网络物理系统项目的评审小组成员，审查与神经网络安全相关的拨款提案。贝内特还担任伯克利人工智能研究实验室的顾问委员会成员，为多头注意力效率的跨机构合作做出贡献。
奖项与认可
贝内特的荣誉包括NSF职业奖（2014年）、IEEE“AI领域十大值得关注人物”名单（2016年）和UVM年度学者奖（2020年）。她2019年关于层归一化用于transformer的论文在ACL会议上获得了最佳论文奖。2022年，她因对鲁棒学习算法的贡献当选为AAAI会士。
她的工作已获得来自NSF、DARPA和私人基金会的超过800万美元的拨款支持。贝内特还获得了NVIDIA和Qualcomm对GPU加速的编码器-解码器模型研究的行业支持。
公共参与
在学术界之外，贝内特为一家国家技术杂志撰写关于人工智能伦理的月度专栏，并曾在州立法委员会就算法公平性作证。她曾在斯坦福人工智能实验室、牛津大学和诺基亚贝尔实验室发表特邀演讲，经常强调在教学中采用课程学习策略的必要性。2023年，她推出了一个公共播客系列，为非专家解读生成式人工智能，累计下载量已超过50万次。
贝内特还是非营利组织“人工智能素养项目”的联合创始人，该组织为高中生提供免费的机器学习基础在线课程。截至2024年，该计划已惠及15个国家的20,000名学习者。
精选出版物
在她被引用最多的著作中，包括《用于持续学习的稳定梯度裁剪》（2015年）、《循环网络的批归一化》（2017年）和《检测语言模型中的幻觉》（2021年）。她发表了超过80篇同行评审论文，根据谷歌学术，h指数为45。她2020年的教科书《鲁棒机器学习》被MIT CSAIL和卡内基梅隆大学的研究生项目使用。
贝内特的研究已被主流媒体广泛报道，包括2022年一家主要科学杂志上关于她使用top-k采样进行创造性文本生成工作的专题报道。她还与Google Cloud合作开发了一个模型鲁棒性基准套件，于2023年公开发布。
个人生活与遗产
贝内特与伴侣和两个孩子住在佛蒙特州伯灵顿。她是一位狂热的徒步爱好者，已完成阿迪朗达克山脉全部46座高峰。在业余时间，她在当地一个面向女孩的STEM推广项目中做志愿者，鼓励她们早期对人工智能产生兴趣。
她的遗产在于致力于使AI系统既强大又可信。正如她在2023年的一次采访中所说：“目标不仅仅是构建有效的模型，而是理解它们为何有效以及何时失效。”这一理念继续指导着她在UVM的研究和教学。