FLINT 研究组 · 上海交通大学 [English]
Theory that sparks practice
以理论点亮实践
Foundations of Learning in Nonlinear Transformations
FLINT 由上海交通大学刘方辉组建，围绕机器学习数学理论与大语言模型的机理分析开展研究。刘方辉在自然科学研究院与数学科学学院联合任职。
我们研究非线性模型中学习的数学基础，将逼近、优化与泛化的理论认识，连接到现代学习系统的设计与理解。 我们的核心视角是学习效率：在理论层面刻画与处理非线性，并以这些认识指导精确、高效的学习方法。
[成员与指导经历] · [[positions.html
研究方向
我们的研究围绕学习理论与大语言模型的机理分析，主要包括以下两个紧密联系的方向：
学习理论与非线性逼近
非线性模型能够表示什么、学到什么？其统计与计算代价是什么？
高维逼近、泛化与函数空间理论。
计算与统计效率鸿沟，以及学习效率。
尺度泛化与模型的有效容量。
大语言模型的机理分析
训练、微调与推理如何发挥作用？对其机制的理解如何指导方法设计？
预训练尺度律、训练动力学与稳定性。
微调：何时、何处，以及多大程度的适配有效。
推理、Lean 形式化与面向机器学习理论的 AI。
代表工作与项目
以下工作由刘方辉与合作者开展，构成研究组的研究基础。完整论文列表仍在个人研究主页维护。
学习理论与非线性逼近。
[JMLR’24]，[NeurIPS’25]。
从函数空间的视角理解逼近与学习。
从理论认识到高效微调。
[ICML’25 Oral]。
将数学理解与大语言模型的高效适配相联系。
推理与形式化。
[ICLR’26]，[ICML’26]，[StatsMLlib]。
研究级推理，以及概率、统计与机器学习在 Lean 中的形式化基础。
成员与加入机会
了解我们的成员与指导经历，以及围绕现代学习的理论与实践开展研究的机会。 当前招生状态、申请条件与中文申请说明，统一在Open Positions页面更新。