KDD2016論文精品解讀(一)

聯合編譯：章敏，高斐，陳楊英傑

導讀：KDD2016是首屈一指的跨學科會議，它聚集了數據科學，數據挖掘，知識發現，大規模數據分析和大數據方面的研究人員和從業人員。

論文一題目：穩定流體近似的卷積神經網絡

摘要

在空氣動力學相關設計、分析和優化問題方面，流場是通過使用計算流體動態學（CFD）求解器進行模擬的。然而，CFD模擬通常是計算昂貴，內存要求大、且耗時的迭代過程。CFD的這些缺點，限制了設計空間探索的機會，同時也破滅了互動設計的想法。我們提出了一個通用且靈活的近似模型，用於實時預測基於卷積神經網絡（CNNs）的二維或三維領域中不均勻的穩態層流體。我們探索了幾何表示的替代品和CNNs的網絡體系結構。我們表明，卷積神經網絡估計速度場的速度，可以比一個GPU加速的CFD求解器快兩個數量級，比一個基於CPU的CFD求解器快四個數量級（以非常低的錯誤為代價）。這種方法可以在設計的早期階段，為實時的互動設計提供即時反饋。相比於空氣動力學領域現存的近似模型，CNNs確保了對整個速度場的有效評估。進一步說，設計師和工程師可以在不需要訓練額外更低維度替代模型的情況下，直接將CNN近似模型應用到他們的設計空間探索算法中。

關鍵詞：卷積神經網絡；替代模型；計算流體動態學；機器學習

論文作者介紹

（1）Xiaoxiao Guo

學校：密西根大學-安娜堡分校（University of Michigan） 

研究領域：機器學習（Machine Learning）人工智慧（Artificial intelligence）

更多相關領域論文：

·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 

機構：Autodesk Research

研究方向：人機互動繪圖，人工機器智能 ，跨科學

更多相關論文：

·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 

機構：Autodesk Research 

研究方向：多種核心和多核心系統上軟體可擴展性、混合計算、在各種高性能平臺上的加速器系統，通用設計和並行算法開發。

更多相關論文：

·Four-Bar Linkage Synthesis Using Non-Convex Optimization（CP 2016 Conference ）

·Automated Extraction of System Structure Knowledge from Text（IDETC/CIE 2016 Conference）

論文二題目：基於圖像的聚類法的結構化雙隨機矩陣

 摘要  

作為最為重要的機器學習研究主題之一，聚類算法已經被廣泛應用於多種不同的領域。目前，聚類算法在科學研究和工業實踐中的普遍應用業已引起高度的關注。研究者已經提出大量的聚類算法，其中備受重視的當屬運用相似矩陣基於圖像的聚類方法。近來的研究工作使用雙隨機矩陣以規範輸入相似矩陣，並改善基於圖像的聚類模型。儘管這種雙隨機矩陣能夠提高聚類模型的性能，其聚類結構並未如期望中那麼清晰明了。因而，需要採用後置處理步驟提取最終聚類結果，所得結果可能並不太理想。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，運用該種新型模型學習結構化雙隨機矩陣。我們的新型結構化雙隨機矩陣能夠直接顯示聚類結構，並為將要連接在一起的成對數據點的概率編碼，由此來改善聚類結果。我們獲得了一種高效率的優化算法，以實現新的研究目標。此外，當輸入信息不同時，我們採用的方法能夠分別與K均值，譜圖切割模型獲取聯繫，在文中我們也將就此話題做理論層面的討論。我們基於合成和基準數據集開展實驗研究，以驗證我們所提出的方法的性能。實證研究結果證明，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果作為初始值，K均值收斂等於一個更小的目標函數值，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聯的雙隨機模型的性能進行比較。在所有的數據集中，我們的模型的性能能夠與其他相關模型相媲美，甚至優於其他模型。

關鍵詞：雙隨機矩陣；圖像拉普拉斯矩陣學習，K均值聚類算法，譜聚類算法

論文作者介紹

（1）Xiaoqian Wang

學校：美國德州大學阿靈頓分校計算機科學與工程系博士，

主要研究領域：機器學習與計算機生物學

相關學術成果：

·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，

學校：美國德州大學阿靈頓分校計算機科學與工程系教授、博導，

研究方向：機器學習以及相關應用領域（模式識別，數據挖掘，計算機視覺，圖像處理，信息檢索等）的研究與開發工作。

相關學術成果：

·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

學校：美國德州大學阿靈頓分校計算機科學與工程教授，德克薩斯大學西南醫學中心臨床科學兼職教授，主要研究方向：大數據挖掘，機器學習，數據科學，生物信息學，系統生物學，神經信息學，腦科學，計算機視覺，醫學圖像分析，計算的可持續性，自然語言處理等研究領域。

相關學術成果：

·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.）

論文三題目：結構化深層網絡嵌入

摘要

網絡嵌入是一種學習網絡頂點低維表示的重要方法，旨在捕獲和保存網絡結構。幾乎所有的現有網絡嵌入方法都採用的是淺層模型。然而，由於底層的網絡結構很複雜，淺層的模型不能捕獲高度非線性的網狀結構，得到的是次優的網絡表示。因此，如何找到一種既能有效地捕獲高度非線性網絡結構，又能保存全局和局部結構的方法是一個公開但重要的問題。為了解決這個問題，本文提出了一種結構化深層網絡嵌入方法，即SDNE。更具體地說，我們首先提出了一種半監督深層模型，其具有多層非線性函數，從而能夠捕獲高度非線性網絡結構。然後，我們提出，同時利用一階近似和二階近似來保存網絡結構。二階近似被無監督部件用來捕獲全局網絡結構。而一階近似作為監督部件中的監督信息，被用來保存局部網絡結構。通過在半監督深層模型中的共同優化，我們的方法可以同時保存局部和全局網絡結構，並對稀疏網絡具有較好的魯棒性。根據經驗，我們在五個真實世界的網絡中進行實驗，包括一個語言網絡，一個引用網絡和三個社交網絡。結果表明，相比於基準，我們的方法明顯能更好地重構原始網絡，並且在三個應用上有持續收穫，即多標記分類，鏈路預測和可視化。

關鍵詞:網絡嵌入，深度學習，網絡分析

論文作者介紹：

（1）Daixin Wang（王岱鑫）

學校：清華大學計算機系

（2）Peng Cui（崔鵬）

學校：清華大學計算機系副教授

研究方向：機器學習、數據挖掘、社會媒體等。

（3）Wenwu Zhu（朱文武）

學校：清華大學計算機系國家「」特聘教授、博士生導師、系副主任，國家特聘專家，國家973項目首席科學家。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家，及美國貝爾實驗室研究員等職。IEEE Fellow、SPIE Fellow、ACM Distinguished Scientist。

研究方向：三元空間大數據計算、社會化多媒體計算、多媒體雲計算、未來多媒體通信與網絡等。

論文下載：

論文一

論文二

論文三

via：KDD2016 accepted-papers

                   

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。