[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tags-groups":3,"chains-groupcat":4,"experts-list":5,"experts-coverage":27},[],[],{"list":6,"total":25,"page":25,"pageSize":26,"totalPages":25},[7],{"id":8,"name":9,"orgName":10,"school":11,"gender":12,"title":13,"degree":14,"honor":15,"position":15,"researchDirection":16,"intro":17,"province":18,"completeness":19,"avatarAuthorized":20,"sourceUrl":21,"nameValid":22,"tags":23,"tagNames":24},"f708985b-bf57-6f43-8c5f-cda897f75fd0","马骏驰","长安大学信息工程学院","长安大学","男","副教授","博士",null,"1.软错误传播评估研究软错误（半导体电路瞬态故障）是影响计算可靠性的重要问题。如何评估软错误传播是软错误防护面临的最重要的挑战。提出利用表示学习方法高效地提取程序语义并使用于传播分析。 2.电动车充电调度研究缓慢的充电速度是影响电动汽车用户体验的重要因素。如何根据订单的特征设计高效的充电协同策略以最大化收益是电动车调度的难点。提出了利用深度强化学习从与环境的交互中学到深层的语义信息，避免短视的决策，所提出模型可显著减少用户等待时间和充电时间代价。 3.单细胞多模态融合研究单细胞测序技术能够对单个细胞的基因和染色质可及性等特征进行高通量、高精度的检测,从而获得了细胞内多组学的海量数据。然而,如何融合单细胞多模态数据以支撑日益增长的以单细胞为基础的医学分析需求,进一步为阐明基因层面相关疾病的发生发展机理,仍然是一个亟待解决的关键科学问题。提出基于图神经网络的多模态融合方法，更好地实现多模态数据的语义特征提取，为下游分析任务提供强有力的支持","马骏驰，男，1988年出生，博士，副教授，硕士生导师。2017年获东南大学计算机应用技术博士学位。2017年进入长安大学任教师。在科学研究方面，专注于软件可靠性和电动汽车调度的研究。主持国家自然科学基金青年项目一项，主持陕西省重点研发计划一般项目一项。在国内外顶级刊物和国际会议上发表SCI\u002FEI论文10余篇。应邀在ASP-DAC和IEEE VLSI Test Symposium等国际重要学术会议（CCF C类会议）作分会报告，此外还担任了IEEE ACCESS和Journal of Electronic Testing审稿人，担任中国计算机协会西安分部委员。指导硕士研究生毕业6人，授权专利和软件著作权各2项。 \n                                \n                                \n                                    \n                                         社会职务 \n                                    \n                                     CCF西安分部委员、ACM会员","陕西",95,false,"http:\u002F\u002Fjs.chd.edu.cn\u002Fxxgcxy\u002Fmjc\u002Flist.htm",true,[],[],1,30,{"schools":28},297]