哈希力量归集文库路径访问: 首页 > 智族书院 > 报告/论文/书籍

高瓴人工智能学院师生3篇论文被国际顶级期刊会议(CCF A)录用

佚名 ☉ 文 收录源:高瓴人工智能学院 2021-05-07 @ 哈希力量

【小哈划重点:VLDB会议是数据管理与数据库领域的三大国际顶尖学术会议之一;VLDB Journal是数据库领域的顶级国际期刊;IEEE Transactions on Pattern Analysis and Machine Intelligence(简称TPAMI )是计算机视觉和人工智能领域国际公认的顶级期刊。】

近日,中国人民大学高瓴人工智能学院3篇师生论文被国际顶级期刊会议(CCF A)录用。CCF是中国计算机学会的简称。CCF A类期刊会议指国际上极少数的顶级刊物和会议,其中,VLDB会议是数据管理与数据库领域的三大国际顶尖学术会议之一;VLDB Journal是数据库领域的顶级国际期刊;IEEE Transactions on Pattern Analysis and Machine Intelligence(简称TPAMI )是计算机视觉和人工智能领域国际公认的顶级期刊。WSn哈希力量 | 消除一切智能鸿沟

VLDB 2021(1篇)WSn哈希力量 | 消除一切智能鸿沟

论文介绍WSn哈希力量 | 消除一切智能鸿沟

论文题目:Massively Parallel Algorithms for Personalized PageRankWSn哈希力量 | 消除一切智能鸿沟

作者:侯冠豪,陈星光,王思博,魏哲巍WSn哈希力量 | 消除一切智能鸿沟

通讯作者:王思博,魏哲巍WSn哈希力量 | 消除一切智能鸿沟

论文概述:Personalized PageRank(PPR)是一种图节点邻近度的衡量方式,被广泛应用于社交推荐、个性化搜索、社区发现等领域。随着大数据时代的到来,超大规模图数据上的PPR计算问题往往无法在单机上完成。本篇论文重点关注于PPR的并行计算问题,基于Massively Parallel Computing(MPC)模型,在固定机器负载的前提下,设计了一种通讯轮数(rounds)更少的并行PPR算法Delta-Push。此外,该算法还可以根据机器数的变化,进一步调整通讯轮数。大量实验表明,Delta-Push的性能好于现有并行PPR算法。WSn哈希力量 | 消除一切智能鸿沟

VLDB Journal(1篇)WSn哈希力量 | 消除一切智能鸿沟

论文介绍WSn哈希力量 | 消除一切智能鸿沟

论文题目:ExactSim: Benchmarking Single-Source SimRank Algorithms with High-Precision Ground TruthsWSn哈希力量 | 消除一切智能鸿沟

作者:王涵之(人大博士生),魏哲巍,刘钰,袁野,杜小勇,文继荣WSn哈希力量 | 消除一切智能鸿沟

通讯作者:魏哲巍WSn哈希力量 | 消除一切智能鸿沟

论文概述:SimRank作为图节点相似度衡量方向的代表性算法,在链接预测、网络分析等领域均有广泛应用。然而,目前唯一能够精确计算单源SimRank的方法Power Method受限于其高昂的计算复杂度而无法应用于大规模图集,近年来提出的多种SimRank近似算法也因为精确结果的缺乏而无法得到科学的性能评估。本篇论文详细调研了现有的支持大规模图数据的单源SimRank近似算法,分析了其无法实现精确查询的原因。基于这一分析,本篇论文提出了首个支持大规模图集上单源SimRank精确计算的算法ExactSim,并且通过严格的理论证明保证这一结果以高概率达到10^(-7)的误差精度。此外,本篇论文首次使用ExactSim计算得到的单源SimRank精确结果,评估了现有近似算法的性能表现,探寻了大规模真实图和合成图上SimRank的分布情况和密度性质。WSn哈希力量 | 消除一切智能鸿沟

TPAMI(1篇)WSn哈希力量 | 消除一切智能鸿沟

论文介绍WSn哈希力量 | 消除一切智能鸿沟

论文题目:Linear and Deep Order-Preserving Wasserstein Discriminant AnalysisWSn哈希力量 | 消除一切智能鸿沟

作者:苏冰,周嘉欢,文继荣,吴郢WSn哈希力量 | 消除一切智能鸿沟

论文概述:序列数据的监督特征降维旨在学习一种变换,该变换通过最大化不同类别中序列的可分性,将序列中的特征映射到一个低维子空间。序列特征降维通常比静态数据的特征降维更具挑战,因为度量序列的可分性涉及非线性程序来处理时序结构。在本文中,我们提出了一种线性方法,称为保序Wasserstein判别分析(OWDA),其深度扩展为DeepOWDA,分别用于学习序列数据的线性和非线性判别子空间。我们基于保序Wasserstein(OPW)距离构造一种新的序列类别之间的可分离性度量,以捕获其时序结构之间的本质差异。具体来说,对于每个类,我们提取OPW重心,并将类内散度构造为围绕重心的训练序列的分散程度。类间距离被测量为相应重心之间的OPW距离。我们通过最大化类间距离并最小化类内散度来学习线性和非线性变换。通过这种方式,我们提出的OWDA和DeepOWDA能够通过利用具有时序约束的几何关系来专注于类之间的独特差异。在四个3D动作识别数据集上进行的实验验证了OWDA和DeepOWDA的有效性。WSn哈希力量 | 消除一切智能鸿沟



收录源追溯链接或暂略


本文收录后固定可引用URL链接
    http://www.haxililiang.com/xueyuan/hangye/33551.html


☉ 文库同一主题内容智能推荐 ☉
哈希力量 ☉ 人机智能科普文库