Durk Kingma @dpkingma

数据时间与版本见排名方法论

为什么值得了解？

Durk Kingma 是研究可扩展机器学习与生成模型的计算机科学家；论文中常见的署名 Diederik P. Kingma 也是他。理解他的影响力，最直接的路径不是社交热度，而是看研究成果如何进入模型训练与生成建模。

重要职业与项目节点

• 2013–2017 — 在阿姆斯特丹大学攻读博士，导师为 Max Welling。
• 2015–2018 — 加入 OpenAI 创始团队，从事算法基础研究。
• 2018–2024 — 在 Google Brain / DeepMind 研究文本、图像和视频生成模型。
• 2024– — 个人主页列示在 Anthropic 从事大规模机器学习研究；以本次核对的主页为准。

Durk Kingma · Personal biography ↗

VAE：如何学习看不见的潜在变量？

与 Max Welling 合作的 Auto-Encoding Variational Bayes 于 2013 年提交。它处理一个生成模型难题：观测数据背后的潜在变量无法直接看到，后验推断又可能难以计算。论文通过近似推断和重参数化，使相关目标能够用随机梯度方法优化。阅读时先分清生成模型、推断模型与优化目标；VAE 不只是把图片压缩后再还原的普通自编码器。

Auto-Encoding Variational Bayes · Original paper ↗

Adam：优化训练过程，而不是一种模型

Kingma 与 Jimmy Ba 的 Adam 论文于 2014 年提交，并发表于 ICLR 2015。Adam 利用梯度的一阶与二阶矩估计，为参数调整更新步幅。它解决的是如何优化模型参数，而不是决定网络结构或生成什么内容。阅读论文时，可以对照更新规则理解为什么学习率、梯度历史与数值稳定项分别重要。

Adam: A Method for Stochastic Optimization ↗

Glow：用可逆变换研究图像生成

Glow 使用可逆的 1×1 卷积构建生成模型。与只看生成图片是否逼真不同，项目还展示了潜在空间中的插值和属性变化。它提供了观察 flow-based 生成建模的入口：数据与潜在表示之间的变换如何组织、如何采样，以及哪些变化能在表示空间中被控制。

Glow · Research explanation and demonstrations ↗

如何继续阅读

建议顺序是 Adam → VAE → Glow：先理解训练参数怎样更新，再了解潜在变量推断，最后比较另一种生成建模路线。本轮没有选入经过核验的长篇人物采访，因此直接提供本人履历和原始作品，不把论文包装成采访。

常见问题

Durk 与 Diederik Kingma 是同一个人吗？

是。本人主页将 Durk 解释为日常使用的昵称，正式名字是 Diederik。检索论文时使用 Diederik P. Kingma，有助于找到完整的署名记录。

Adam 与 VAE 的共同作者是谁？

Adam 论文与 Jimmy Ba 合作；Auto-Encoding Variational Bayes 与 Max Welling 合作。这些是团队研究成果，不应归为单人独立完成。

为什么学术贡献重要，Seekami 排名却是第 89？

第 89 名是 公开排名样本中的账号影响力位置，不是科学贡献榜或论文质量评分。社交网络信号与一项方法被研究者采用的价值并不是同一指标。

相关人物与机构

OpenAI · Anthropic · Ian Goodfellow

以上为原始资料的编辑导读；相关入口不代表人物互相背书。