青年博士论坛预告2017年10月18日

时间：2017年10月18日(周三) 8:30-12:30

地点：仙林校区计算机学科楼327会议室

报告人:李丹丹

题目：基于机器学习的处理器设计空间探索方法研究

摘要:

随着集成电路工艺的进步和体系结构设计复杂度的不断提高，处理器设计空间呈指数式增长。如何从中为特定的应用选择最优的设计参数组合以满足不同的性能、功耗、花费等约束条件，即设计空间探索问题。传统的做法是，在制造芯片前，通过软件模拟技术来验证处理器的性能，但模拟速度极慢，模拟设计空间中所有的配置是不可行的。而基于机器学习的设计空间探索方法，将计算机性能看成一个典型的回归问题，只需要对整个设计空间的少量设计进行模拟，然后构建足够精确的预测模型，能够显著地减少模拟次数。对于特定处理器的设计，本报告介绍采用统计采样和主动学习算法构建处理器性能预测模型；对于通用处理器的设计，介绍基于知识迁移的处理器性能预测模型。

报告人简介:

北京航空航天大学bd手机版官网登录ios 在读博士研究生，专业为计算机科学与技术，将于2018年3月毕业。在此之前，分别于2008年和2011年获得西南交通大学计算机软件专业学士学位和教育技术学专业硕士学位。2014年在留学基金委的支持下，公派到美国伊利诺伊理工大学联合培养博士一年。主要研究方向包括：机器学习、处理器性能验证、语义检索。已发表第一作者论文5篇，其中3篇CCF推荐B类会议（DAC、CODES+ISSS和ICCAD）。

报告人:刘皓

题目：person search in the wild

摘要:

近年来，由于行人再识别技术在智能监控系统中具有较大的应用意义。目前，行人再识别问题可以从广义上分为以下三类：基于图像的行人再识别、基于视频的行人再识别以及基于场景图像行人搜索。本报告以上述三类任务为线索，针对它们各自独有的问题特点，展开介绍：1.在基于图像的行人再识别方面。基于人类视觉系统的生物学特性，提出了端到端的比较性视觉注意力网络（end-to-end Comparative Attention Networks，CAN），模拟人类的视觉注意力机制来比较发现行人图像对中多个具有区分性的局部区域，最后再进行区域特征提取并整合，从而提高了基于图像的行人再识别准率。2.在基于视频的行人再识别方面。提出一种时间-空间双分支网络结构的端到端深度模型，称为运动上下文累积网络（Accumulative MOtion Context Networks，AMOC）。3.在基于场景图像的行人搜索方面。模拟人类从人群中寻找目标行人的注意力收缩机制，设计了可以边定位边匹配的一段式行人搜索深度模型：神经网络行人搜索机（Neural Person Search Machines，NPSM）。

报告人简介:

刘皓，男，出生于1988年1月，安徽合肥人，目前博士四年级，就读于合肥工业大学计算机与信息学院信号与信息处理专业。2015年9月—2017年3月受国家留学基金委资助公派赴新加坡国立大学电子与计算机工程系联合培养。研究方向为计算机视觉、机器学习、深度学习、人脸分析、行人再识别等。已发表计算机视觉相关论文共9篇：包括ICCV2017、IEEE Transactions on Image Processing（TIP，被引用:30次）、IEEE Transactions on Circuits and Systems for Video Technology（TCSVT，被引用：4次））、IEEE Signal Processing Letters（SPL，被引用：11次）等。同时兼任IEEE Transactions on Cybernetics （TCYB）、ACM Transactions on Multimedia Computing, Communications, and Applications （TOMCCAP）等杂志审稿人。曾参加ACM Multimedia 2016 MSR Image Retrieval/Recognition Challenges (MSR IRC) 微软人脸识别(MS-Celeb-1M)比赛获第三名，参加中科院自动化所联合 ECCV2014 MCT(multi-camera tracking) 比赛获第二名。曾于2016年6月——2017年1月在Panasonic R&D Center Singapore实习，任深度学习算法工程师。

报告人:夏彬

题目：基于位置信息社交网络的推荐系统研究

摘要：

随着基于位置信息社交网络(Location-Based Social Networks，LBSNs)的迅速发展，兴趣点推荐系统吸引了众多研究工作者。在LBSNs中，用户可以将自己的访问经历以带有地理位置信息的签到数据方式与好友分享。基于用户的历史签到数据，可以轻松地获取相应用户常去的区域(即地理位置)和常访问的兴趣点类型(如餐厅、商场和酒吧)。除此之外，拥有时序信息的签到数据不仅仅可以很直观地反映用户行动轨迹，也可以间接地描绘出用户的个性化偏好和生活模式。因此，通过对不同粒度用户群体的历史签到数据进行分析，兴趣点推荐系统即可为用户提供准确而又个性化的兴趣点推荐服务。此外，在传统的推荐系统研究中，研究工作者都假设收集的用户签到数据可以真实地反映用户的偏好或是仅仅存在简单的高斯随机噪声。事实上在实际推荐系统问题中，噪声签到数据往往是随机且无规律可循的，这种噪声数据恰恰对推荐系统的推荐性能产生了极大的影响。面对兴趣点推荐中的种种挑战，本次报告将简要介绍基于上下文信息、基于噪声鲁棒性与基于生活模式三种角度为用户提供个性化与多样性的兴趣点推荐。

报告人简介:

夏彬，南京理工大学计算机科学与工程学院在读博士生，研究方向为数据挖掘与机器学习。2014-2016年，在美国佛罗里达国际大学School of Computing & Information Sciences进行了两年的半岛综合体育官方app手机 与访问。夏彬近年来致力于基于上下文的个性化推荐系统研究工作，以第一作者身份发表SCI论文3篇，合作发表论文共5篇，并担任WISE-2015 Committee Member, IEEE ICSC-2016、IEEE ICSC-2017国际会议PC Member, 并承担多个国际期刊（TKDE、KAIS等）的审稿工作。

报告人:周沧琦

题目：信息传播行为的累积动态特性：一种物理学观点

摘要：

在线社会网络的普及促进了人们日常的沟通和交流。尽管有大量的研究工作致力于解释人与人之间的交互对传播过程的影响，但鲜有研究考虑人们独立的进行决策时的传播行为模式。微博是信息传播的重要媒介。通过对比微博和物理学中的自旋玻璃无序系统，发现了两者间存在多种重要的对应关系。并且，两类系统中都可以观测到老化效应。类比自旋玻璃的陷阱模型，推导出了一种统一形式的幂函数模型，用以描述微博中不同的独立信息传播行为的累积过程随时间的变化规律。该模型考虑了记忆效应、用户兴趣的动态变化等重要因素。利用一个大规模的微博数据集，该模型的有效性、预测能力得到了验证。本工作带来的启示包括，除了收集变化的特征，在预测传播过程时还需考虑一些重要的不变因素；本工作为研究人类行为动力学提供了一种重要的类比方法。

报告人简介:

周沧琦，男，博士，清华大学自动化系博士后。分别于2015年和2008年获得清华大学控制科学与工程专业博士学位和北京理工大学自动化专业学士学位。主要研究方向包括：社交与信息网络、社交网络数据挖掘、网络用户行为分析与建模、信息传播预测，以及电子商务中的销量预测和用户行为分析。以第一作者发表论文5篇，其中EI检索3篇，SCI检索2篇，包括《Scientific Reports》、《PLoS One》等重要期刊。在投SCI论文1篇。曾担任国际会议CDC 2017、CCC 2010的审稿人。