在传统意义上机器学习和优化是计算机科学的两个不同分支。它们完成两类不同的任务，由不同的领域专家对它们进行研究。机器学习的任务是从数据中提取和抽象出模型，而优化的任务是从学得的模型中找到最优解。但在当今的大数据和人工智能时代，这样的分工可能会带来意想不到的从数据端到优化端整体性能的损失。针对这一问题，在这个报告中，我将介绍数据驱动的优化范式。这一范式将数据采样，机器学习和优化紧密地结合在一起。我将介绍数据驱动优化下的两个方法。第一个方法是基于结构化样本的优化。这个方法通过分析和利用采样数据中的结构化信息，来调整下一步的学习和优化采取对应的算法方案。第二个方法组合在线学习。这个方法通过加入优化结果到数据采样的反馈机制，从而使得优化和采样学习在线互动，提高采样效率和优化效果。我会通过介绍我近期研究工作的一些结果来进一步阐释这两个数据驱动的优化方法。

陈卫是微软亚洲研究院首席研究员，并是清华大学兼职教授和中科院客座研究员。他是中国计算机学会理论计算机专业委员会的常务委员，也是大数据专业委员会的委员。他是国际电气和电子工程师学会的会士 （IEEE Fellow）。
陈卫主要的研究方向包括在线学习和优化，社交和信息网络，网络博弈论和经济学，分布式计算，容错等。他在社交网络影响力传播和最大化以及组合在线学习方向做出很多颇有影响力的工作，在这方面论文被引次数已逾一万次。在信息和影响力传播方面，他在2013年与人合著一本英文专著，在2020年独立撰写一本中文专著。他在多个学术期刊担任编委，也在多个学术会议中担任过技术委员会主席和委员。陈卫于清华大学获得本科和硕士毕业，于美国康奈尔大学获得博士学位。
有关陈卫更多的信息，欢迎访问他的主页：http://research.microsoft.com/en-us/people/weic/.