2
| 本文作者： 章敏 | 2016-08-16 18:03 |
聯(lián)合編譯：章敏，高斐，陳楊英杰
導(dǎo)讀：KDD2016是首屈一指的跨學(xué)科會議，它聚集了數(shù)據(jù)科學(xué)，數(shù)據(jù)挖掘，知識發(fā)現(xiàn)，大規(guī)模數(shù)據(jù)分析和大數(shù)據(jù)方面的研究人員和從業(yè)人員。
在空氣動力學(xué)相關(guān)設(shè)計(jì)、分析和優(yōu)化問題方面，流場是通過使用計(jì)算流體動態(tài)學(xué)（CFD）求解器進(jìn)行模擬的。然而，CFD模擬通常是計(jì)算昂貴，內(nèi)存要求大、且耗時(shí)的迭代過程。CFD的這些缺點(diǎn)，限制了設(shè)計(jì)空間探索的機(jī)會，同時(shí)也破滅了交互設(shè)計(jì)的想法。我們提出了一個通用且靈活的近似模型，用于實(shí)時(shí)預(yù)測基于卷積神經(jīng)網(wǎng)絡(luò)（CNNs）的二維或三維領(lǐng)域中不均勻的穩(wěn)態(tài)層流體。我們探索了幾何表示的替代品和CNNs的網(wǎng)絡(luò)體系結(jié)構(gòu)。我們表明，卷積神經(jīng)網(wǎng)絡(luò)估計(jì)速度場的速度，可以比一個GPU加速的CFD求解器快兩個數(shù)量級，比一個基于CPU的CFD求解器快四個數(shù)量級（以非常低的錯誤為代價(jià)）。這種方法可以在設(shè)計(jì)的早期階段，為實(shí)時(shí)的交互設(shè)計(jì)提供即時(shí)反饋。相比于空氣動力學(xué)領(lǐng)域現(xiàn)存的近似模型，CNNs確保了對整個速度場的有效評估。進(jìn)一步說，設(shè)計(jì)師和工程師可以在不需要訓(xùn)練額外更低維度替代模型的情況下，直接將CNN近似模型應(yīng)用到他們的設(shè)計(jì)空間探索算法中。
關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；替代模型；計(jì)算流體動態(tài)學(xué)；機(jī)器學(xué)習(xí)
（1）Xiaoxiao Guo
學(xué)校：密歇根大學(xué)-安娜堡分校（University of Michigan）
研究領(lǐng)域：機(jī)器學(xué)習(xí)（Machine Learning）人工智能（Artificial intelligence）
更多相關(guān)領(lǐng)域論文：
·Deep learning for real-time Atari game play using offline Monte-Carlo tree search planning（2014 ）
·Action-conditional video prediction using deep networks in atari games（2015）
·Deep Learning for Reward Design to Improve Monte Carlo Tree Search in ATARI Games（2016）
（2）Wei Li
機(jī)構(gòu)：Autodesk Research
研究方向：人機(jī)交互繪圖，人工機(jī)器智能 ，跨科學(xué)
更多相關(guān)論文：
·Automated Extraction of System Structure Knowledge from Text（IDETC/CIE 2016 Conference）
·Four-Bar Linkage Synthesis Using Non-Convex Optimization（CP 2016 Conference ）
（3）Francesco Iorio
機(jī)構(gòu)：Autodesk Research
研究方向：多種核心和多核心系統(tǒng)上軟件可擴(kuò)展性、混合計(jì)算、在各種高性能平臺上的加速器系統(tǒng)，通用設(shè)計(jì)和并行算法開發(fā)。
更多相關(guān)論文：
·Four-Bar Linkage Synthesis Using Non-Convex Optimization（CP 2016 Conference ）
·Automated Extraction of System Structure Knowledge from Text（IDETC/CIE 2016 Conference）
作為最為重要的機(jī)器學(xué)習(xí)研究主題之一，聚類算法已經(jīng)被廣泛應(yīng)用于多種不同的領(lǐng)域。目前，聚類算法在科學(xué)研究和工業(yè)實(shí)踐中的普遍應(yīng)用業(yè)已引起高度的關(guān)注。研究者已經(jīng)提出大量的聚類算法，其中備受重視的當(dāng)屬運(yùn)用相似矩陣基于圖像的聚類方法。近來的研究工作使用雙隨機(jī)矩陣以規(guī)范輸入相似矩陣，并改善基于圖像的聚類模型。盡管這種雙隨機(jī)矩陣能夠提高聚類模型的性能，其聚類結(jié)構(gòu)并未如期望中那么清晰明了。因而，需要采用后置處理步驟提取最終聚類結(jié)果，所得結(jié)果可能并不太理想。為了解決這一問題，本文我們提出一種新型凸模型，低秩約束圖像拉普拉斯矩陣，運(yùn)用該種新型模型學(xué)習(xí)結(jié)構(gòu)化雙隨機(jī)矩陣。我們的新型結(jié)構(gòu)化雙隨機(jī)矩陣能夠直接顯示聚類結(jié)構(gòu)，并為將要連接在一起的成對數(shù)據(jù)點(diǎn)的概率編碼，由此來改善聚類結(jié)果。我們獲得了一種高效率的優(yōu)化算法，以實(shí)現(xiàn)新的研究目標(biāo)。此外，當(dāng)輸入信息不同時(shí)，我們采用的方法能夠分別與K均值，譜圖切割模型獲取聯(lián)系，在文中我們也將就此話題做理論層面的討論。我們基于合成和基準(zhǔn)數(shù)據(jù)集開展實(shí)驗(yàn)研究，以驗(yàn)證我們所提出的方法的性能。實(shí)證研究結(jié)果證明，我們的模型為更好地解決K均值聚類問題提供了方法和途徑。把由我們的模型提供的聚類指示結(jié)果作為初始值，K均值收斂等于一個更小的目標(biāo)函數(shù)值，以取得更好地聚類性能。此外，將由我們模型的聚類性能與普聚類法和相關(guān)聯(lián)的雙隨機(jī)模型的性能進(jìn)行比較。在所有的數(shù)據(jù)集中，我們的模型的性能能夠與其他相關(guān)模型相媲美，甚至優(yōu)于其他模型。
關(guān)鍵詞：雙隨機(jī)矩陣；圖像拉普拉斯矩陣學(xué)習(xí)，K均值聚類算法，譜聚類算法
（1）Xiaoqian Wang
學(xué)校：美國德州大學(xué)阿靈頓分校計(jì)算機(jī)科學(xué)與工程系博士，
主要研究領(lǐng)域：機(jī)器學(xué)習(xí)與計(jì)算機(jī)生物學(xué)
相關(guān)學(xué)術(shù)成果：
·Clustering and projected clustering with adapted neighbors. （Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. 2014. P977-986.）
·Higher-order dispersion compensation to enable a 3.6 μs wavelength-maintaining delay of a 100 Gb/s DQPSK signal（Optics letters.2010.p.2985-2987.）
·The Contrained Laplacian Rank Algorithm for Graph-Based Clustering（Thirtieth AAAI Conference on Artificial Intelligence.）
（2）Feiping Nie，聶飛平，
學(xué)校：美國德州大學(xué)阿靈頓分校計(jì)算機(jī)科學(xué)與工程系教授、博導(dǎo)，
研究方向：機(jī)器學(xué)習(xí)以及相關(guān)應(yīng)用領(lǐng)域（模式識別，數(shù)據(jù)挖掘，計(jì)算機(jī)視覺，圖像處理，信息檢索等）的研究與開發(fā)工作。
相關(guān)學(xué)術(shù)成果：
·New Primal SVM Solver with Linear Computational Cost for Big Data Classifications（The 31st International Conference on Machine Learning (ICML), 2014.）
·Optimal Mean Robust Principal Component Analysis（The 31st International Conference on Machine Learning (ICML), 2014.）
·Robust Distance Metric Learning via Simultaneous L1-Norm Minimization and Maximization（The 31st International Conference on Machine Learning (ICML), 2014.）
（3）Heng Huang
學(xué)校：美國德州大學(xué)阿靈頓分校計(jì)算機(jī)科學(xué)與工程教授，德克薩斯大學(xué)西南醫(yī)學(xué)中心臨床科學(xué)兼職教授，主要研究方向：大數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，數(shù)據(jù)科學(xué)，生物信息學(xué)，系統(tǒng)生物學(xué)，神經(jīng)信息學(xué)，腦科學(xué)，計(jì)算機(jī)視覺，醫(yī)學(xué)圖像分析，計(jì)算的可持續(xù)性，自然語言處理等研究領(lǐng)域。
相關(guān)學(xué)術(shù)成果：
·Structured Doubly Stochastic Matrix for Graph Based Clustering（22nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2016), Research Track, accepted to appear.）
·Robust and Effective Metric Learning Using Capped Trace Norm（22nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2016), Research Track, accepted to appear.）
·New Multi-Task Learning Model to Predict Alzheimer's Disease Cognitive Assessment（18th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2016), accepted to appear.）
網(wǎng)絡(luò)嵌入是一種學(xué)習(xí)網(wǎng)絡(luò)頂點(diǎn)低維表示的重要方法，旨在捕獲和保存網(wǎng)絡(luò)結(jié)構(gòu)。幾乎所有的現(xiàn)有網(wǎng)絡(luò)嵌入方法都采用的是淺層模型。然而，由于底層的網(wǎng)絡(luò)結(jié)構(gòu)很復(fù)雜，淺層的模型不能捕獲高度非線性的網(wǎng)狀結(jié)構(gòu)，得到的是次優(yōu)的網(wǎng)絡(luò)表示。因此，如何找到一種既能有效地捕獲高度非線性網(wǎng)絡(luò)結(jié)構(gòu)，又能保存全局和局部結(jié)構(gòu)的方法是一個公開但重要的問題。為了解決這個問題，本文提出了一種結(jié)構(gòu)化深層網(wǎng)絡(luò)嵌入方法，即SDNE。更具體地說，我們首先提出了一種半監(jiān)督深層模型，其具有多層非線性函數(shù)，從而能夠捕獲高度非線性網(wǎng)絡(luò)結(jié)構(gòu)。然后，我們提出，同時(shí)利用一階近似和二階近似來保存網(wǎng)絡(luò)結(jié)構(gòu)。二階近似被無監(jiān)督部件用來捕獲全局網(wǎng)絡(luò)結(jié)構(gòu)。而一階近似作為監(jiān)督部件中的監(jiān)督信息，被用來保存局部網(wǎng)絡(luò)結(jié)構(gòu)。通過在半監(jiān)督深層模型中的共同優(yōu)化，我們的方法可以同時(shí)保存局部和全局網(wǎng)絡(luò)結(jié)構(gòu)，并對稀疏網(wǎng)絡(luò)具有較好的魯棒性。根據(jù)經(jīng)驗(yàn)，我們在五個真實(shí)世界的網(wǎng)絡(luò)中進(jìn)行實(shí)驗(yàn)，包括一個語言網(wǎng)絡(luò)，一個引用網(wǎng)絡(luò)和三個社交網(wǎng)絡(luò)。結(jié)果表明，相比于基準(zhǔn)，我們的方法明顯能更好地重構(gòu)原始網(wǎng)絡(luò)，并且在三個應(yīng)用上有持續(xù)收獲，即多標(biāo)記分類，鏈路預(yù)測和可視化。
關(guān)鍵詞:網(wǎng)絡(luò)嵌入，深度學(xué)習(xí)，網(wǎng)絡(luò)分析
（1）Daixin Wang（王岱鑫）
學(xué)校：清華大學(xué)計(jì)算機(jī)系
（2）Peng Cui（崔鵬）
學(xué)校：清華大學(xué)計(jì)算機(jī)系副教授
研究方向：機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、社會媒體等。
（3）Wenwu Zhu（朱文武）
學(xué)校：清華大學(xué)計(jì)算機(jī)系國家“”特聘教授、博士生導(dǎo)師、系副主任，國家特聘專家，國家973項(xiàng)目首席科學(xué)家。曾任微軟亞洲研究院主任研究員，英特爾中國研究院首席科學(xué)家，及美國貝爾實(shí)驗(yàn)室研究員等職。IEEE Fellow、SPIE Fellow、ACM Distinguished Scientist。
研究方向：三元空間大數(shù)據(jù)計(jì)算、社會化多媒體計(jì)算、多媒體云計(jì)算、未來多媒體通信與網(wǎng)絡(luò)等。
論文下載：
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
