Cynthia Diane Rudin（生于1976年）是一位美国计算机科学家和统计学家，专攻机器学习，以其在可解释机器学习方面的工作而闻名。她是杜克大学可解释机器学习实验室的主任，同时也是计算机科学、电气与计算机工程、统计科学以及统计学与生物统计学教授。2022年，她因在人工智能系统在高风险领域的重要性方面的工作，获得了美国人工智能促进协会（AAAI）颁发的松鼠人工智能造福人类奖。此外，她于2024年当选为美国科学促进会（AAAS）会士，以表彰她在机器学习研究方面的贡献。
Rudin的研究挑战了在关键应用中过度依赖深度学习和神经网络模型的现状，她主张可解释模型能够在提供透明度的同时达到相当的准确性。她的倡导影响了政策讨论和学术实践，尤其是在刑事司法和医疗保健领域，这些领域的决策对个人和社会具有重大影响。
教育与职业生涯
Rudin于1999年以优异成绩毕业于布法罗大学，获得数学物理和音乐理论双学位。她于2004年在普林斯顿大学获得应用与计算数学博士学位，其博士论文题为“Boosting, Margins, and Dynamics”，由Ingrid Daubechies和Robert Schapire指导。在研究生期间，Rudin证明了boosting算法的收敛性质，回答了关于AdaBoost是否最大化L1间隔（一种决策边界与最近数据点之间的距离）的著名问题。
在纽约大学担任博士后研究员和哥伦比亚大学担任副研究科学家之后，她于2009年加入麻省理工学院斯隆管理学院担任教授，并于2016年转至杜克大学。在杜克大学，她担任多个跨学科职务，体现了其工作的跨学科性质。
Rudin曾担任INFORMS数据挖掘部门和美国统计协会统计学习与数据科学部门的主席。她曾担任DARPA的ISAT顾问委员会成员、AAAI理事会成员，以及司法援助局刑事司法技术工作组（BJA CJTFG）成员。目前，她是ACM SIGKDD执行委员会成员，并同时担任美国国家科学院、工程院和医学院的统计与应用统计委员会（CATS）和法律与司法委员会（CLAJ）成员。她还是《Management Science》、《Harvard Data Science Review》和《Journal of Quantitative Criminology》的副主编。
奖项与荣誉
Rudin的贡献赢得了众多荣誉。2019年，她当选为美国统计协会和数理统计研究所的会士，以表彰她在可解释机器学习、大规模医疗数据预测以及排序算法理论性质方面的贡献。她于2022年当选为美国人工智能促进协会会士，并于同年获得古根海姆自然科学奖学金。
她因电网可靠性方面的工作获得了2013年INFORMS创新应用分析奖，因用于认知衰退预测的可解释机器学习工作获得了2016年INFORMS创新应用分析奖，以及因用于重症患者癫痫发作预测的可解释机器学习工作获得了2019年INFORMS创新应用分析奖，该工作最终促成了用于重症监护室的2HELPS2B评分系统。Rudin还于2021年共同获得了INFORMS制造与服务运营管理最佳运营管理论文奖，并于2018年获得了FICO可解释机器学习挑战赛的认可奖。她曾是2017年Daniel H. Wagner运筹学卓越奖的决赛入围者。
Rudin被《Business Insider》评为2015年麻省理工学院12位最令人印象深刻的教授之一。她曾在KDD（2014年和2019年）、AISTATS、诺贝尔会议（2021年）和IJCAI 2025上发表主题演讲。她被选为2025年ACM会士，以表彰她在可解释机器学习及其社会应用方面的贡献和领导力。
可解释机器学习倡导
Rudin以批评刑事司法系统和高风险决策中的黑盒模型而闻名，她主张可以构建同样准确的可解释模型。她于2019年发表在《Nature Machine Intelligence》上的有影响力的论文“Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead”指出，复杂模型的解释性事后分析存在诸多不足。她认为，在医疗保健、刑事司法和金融等领域使用的人工智能系统应具有内在的透明度，而不是依赖外部解释机制。
这种观点与生成式人工智能和大型变换器模型的主导趋势形成对比，后者往往优先考虑性能而非可解释性。Rudin的工作已成为以人为中心的人工智能社区的重要参考，该社区强调将人工智能系统与人类价值观和需求对齐。她领导了多项鼓励人工智能在社会公益方面应用的工作，包括编辑了《Machine Learning》期刊的“Machine Learning for Science and Society”特刊，并组织了美国统计协会的“Data with Discovery: Leveraging Statistics with Computer Science to Transform Science and Society”报告。
电网与公共安全应用
从2007年开始，Rudin作为哥伦比亚大学与爱迪生联合电气公司合作项目的主要科学家，利用机器学习维护纽约市的二级电网。该项目旨在预测和预防设备故障，并因此获得了2013年INFORMS创新应用分析奖。该工作展示了可解释模型如何应用于关键基础设施，为工程师提供可操作的见解，同时保持可靠性。
她与学生Tong Liu以及马萨诸塞州剑桥市警察局的侦探合作，开发了用于犯罪系列检测的Series Finder算法。该算法后来被纽约警察局采用的Patternizr算法所使用，用于检测同一犯罪者实施的系列犯罪模式。这一在预测性警务中的应用强调了执法工具中透明度的重要性，因为警官需要理解为何某些模式会被标记。
医疗评分系统
Rudin与前学生Berk Ustun合作开发的评分系统工作已被用于开发睡眠呼吸暂停筛查和诊断、重症监护病房癫痫发作预测、成人注意力缺陷多动障碍筛查以及通过笔迹分析进行认知衰退检测的医疗评分系统。这些评分系统设计得足够简单，使临床医生无需专门软件即可使用，通常采用基于加分的简单形式。这项工作获得了2016年和2019年INFORMS创新应用分析奖，并曾入围Daniel H. Wagner奖的决赛。
2HELPS2B评分系统用于重症患者癫痫发作预测，已被重症监护室采用，提供了一种结合可解释性和预测准确性的实用工具。Rudin在医疗领域的方法强调，算法不仅需要准确，还必须让医生、护士和患者能够理解，从而支持知情决策。
教学与指导
在杜克大学，Rudin指导的两支学生团队分别赢得了2018年NTIRE超分辨率竞赛（Track 1，经典双三次）和2018年PoeTix文学竞赛。这些成就反映了她对学生技术性和创造性机器学习应用的指导承诺。她的实验室，，可解释机器学习实验室，，培养研究生和博士后，专注于开发优先考虑透明度和公平性的算法。
Rudin的教学影响不仅限于杜克大学，她还在主要会议上发表主题演讲，并参与关于人工智能在社会中作用的公共讨论。她的工作曾被NPR等媒体报道，她在其中讨论了医生如何确保自学计算机做出正确诊断，凸显了她研究的实际意义。
参见
- Timnit Gebru
- Joy Buolamwini
- Explainable artificial intelligence
参考文献
来源包括维基百科（CC BY-SA）和学术出版物。
外部链接
- 主页
- Cynthia Rudin在Google Scholar上的出版物索引
- Harris, Richard (April 2019), "How Can Doctors Be Sure A Self-Taught Computer Is Making The Right Diagnosis?", 发表于NPR