17级付求爱同学参加IJCNN 2019国际学术会议

by netlab Comment Closed
在实验室雷凯老师的指导下，17级付求爱同学的一篇论文被International Joint Conference on Neural Networks 2019国际学术会议（IJCNN 2019）录用。 论文题目：Multi-Task Learning with Capsule Networks 论文简介：多任务学习是一种在利用任务之间的共性和差异的同时，共同学习多个任务的机器学习方法。共享表示是通过多任务学习来学习的，为每个任务学习的内容可以帮助其他任务更好地学习。现有的多任务学习方法大多采用深度神经网络作为每个任务的分类器，深度神经网络可以利用其强大的曲线拟合能力来实现训练数据的高精度，即使在学习的表示还不够好的情况下，然而这与多任务学习的目的是相矛盾的。本文提出了一个多任务胶囊网络（MT-Capsule）框架，该框架利用胶囊网络改进了多任务学习。胶囊网络是一种新型的神经网络模型，它可以智能地对部分整体关系进行建模，构成视点不变的知识，并自动将所学知识扩展到不同的新场景中。在大型真实数据集上的实验结果表明，MT-Capsule可以显著优于目前最好的方法。   IJCNN是每年举办一次的关于国际神经网络领域的前沿会议。研讨会包含了对目前在机器智能、人工智能、生物神经网络等方面取得的重大进展的探讨， 整个会议共有超过30个分会议，共有超过400个口头报告和海报展示，多种形式的学术交流使得参会者从创新性和前沿性问题对神经网络进行各方面深入探讨。 会议的宗旨是为来自世界各地的专家学者提供一个展示和讨论最新研究成果的平台，并激发不同研究领域之间的思想交流。研讨会的宗旨是为来自世界各地的专家学者提供一个展示和讨论最新研究成果的平台，激发不同研究领域之间的思想交流，并试图通过研究各项难题来探索生物神经网络的奥秘。本次会议(IJCNN 2019)于2019年7月14-7月19日在匈牙利布达佩斯举行举行，会议包括来自瑞士、美国、英国、德国、日本和中国等国家的学者前来参加。 17级付求爱作为论文作者参加了此次IJCNN 2019会议，认真听取专家的大会报告和分会报告，并积极与国内外同行展开了深入地交流。 通过参加本次会议,解到了相关领域内最新研究进展，开拓了视野。通过做报告，认识到了语言表达的重要性。通过与参会人员的交流，受到了很多启发。感谢互联网研发中心和雷老师的资助。  ...
Read More

17级杜茂瑜同学参加 HPCC 2019 国际学术会议

by netlab Comment Closed
在实验室雷凯老师的指导下，17 级杜茂瑜同学的一篇论文被 IEEE International Conference on High Performance Computing and Communications (HPCC 2019) 录用。 论文题目：Towards Decentralized Equilibrium Asset TradingBased on Blockchain 论文简介：过去十年见证了数字代币和加密货币的爆炸式增长，包括比特币，奖励计划和以太坊上的各种代币。然而，由于缺乏可互操作的标准，交易这些异构和非金融数字资产经常遇到大量的流动性障碍，并且面临着市场不平衡风险的定价策略的均衡困境。从这个意义上讲，我们引入了一种新的分散均衡交易机制，用于跨越价值体系的资产，结合区块链和经济理论，优化资产的存储，均衡和流通。为了证明所提出机制的实际可行性，我们使用精心设计的智能合约设计，实施和评估以太坊平台上的端到端原型系统。我们广泛的实验评估和交易模拟表明，所提出的机制以分散的方式解决了均衡价格的不同资产之间的交易和交易，为没有人为干预的资产交易市场的自主均衡提供了实践和理论基础。 HCPP 旨在分享全球学者在高性能计算和通信的各个方面的研究成果、应用和新想法，过去十年见证了强大的并行和分布式计算的发展。HPCC 2019 于 8 月 10-12日在中国张家界举行。会议包括了主题演讲、论文 Oral、Poster 展示等，主题包括并行和分布式计算、高性能计算以及 AI 应用等方面。会议邀请了包括来自康奈尔大学的 Bart Selman 教授、滑铁卢大学的 Weihua Zhuang 教授、阿尔伯塔大学的 Witold Pedrycz 等知名专家和学者作为 Keynote Speaker 分享相关领域的最新进展。 通过参加本次会议，解到了相关领域内最新研究进展，开拓了视野。通过做报告，认识到了语言表达的重要性。通过与参会人员的交流，受到了很多启发。感谢互联网研发中心和雷老师的资助。...
Read More

17级付求爱同学中稿ICDCS 2019

by netlab Comment Closed
The 39th IEEE International Conference on Distributed Computing Systems (ICDCS 2019)将于2019年7月7日至7月10日，在美国德克萨斯州达拉斯举行。ICDCS是分布式计算系统相关领域的研究人员和其他专业人士的重要国际会议，也被CCF推荐为计算机体系结构方向的B类会议。   17级付求爱同学在雷凯老师和徐快老师指导下，完成一篇长文” Detecting Malicious Domains with Behavioral Modeling and Graph Embedding”，并已确认被ICDCS 2019录用！中稿论文的简介如下：   论文标题: Detecting Malicious Domains with Behavioral Modeling and Graph Embedding   论文作者: Kai Lei, Qiuai Fu, Jiake Ni, Feiyang Wang, Min Yang, Kuai Xu*   英文摘要: The last decade has witnessed the explosive growth of malicious Internet domains which serve as the fundamental infrastructure for establishing advanced persistent threat command and control communication channels or hosting phishing Web sites. Given the big data nature of Internet traffic data and the ability of algorithmically generating domains and acquiring and registering the domains in a near-automated fashion, detecting malicious domains in real-time is a daunting task for security analysts and network operators. In this paper, we introduce bipartite graphs to capture the interactions between end hosts and domains, identify associated IP addresses of domains, and characterize time-series patterns of DNS queries for domains, and explore one-mode projections of these bipartite graphs for modeling the behavioral, IP-structural,...
Read More

17级付求爱同学中稿IJCNN 2019

by netlab Comment Closed
IEEE International Joint Conference on Neural Networks (IJCNN 2019)将于2019年7月14日至7月19日，在匈牙利布达佩斯举行。IJCNN是神经网络及相关领域的研究人员和其他专业人士的首要国际会议，也被CCF推荐为人工智能方向的C类会议。   17级同学付求爱在实验室雷凯老师指导下，完成一篇长文”Multi-Task Learning with Capsule Networks”，并以确认被IJCNN 2019录用！中稿论文的简介如下：   论文标题: Multi-Task Learning with Capsule Networks   论文作者: Kai Lei, Qiuai Fu, Yuzhi Liang*   英文摘要: Multi-task learning is a machine learning approach learning multiple tasks jointly while exploiting commonalities and differences across tasks. A shared representation is learned by multi-task learning, and what is learned for each task can help other tasks be learned better. Most of existing multi-task learning methods adopt deep neural network as the classifier of each task. However, a deep neural network can exploit its strong curve-fitting capability to achieve high accuracy in training data even when the learned representation is not good enough. This is contradictory to the purpose of multi-task learning. In this paper, we propose a framework named multi-task capsule (MT-Capsule) which improves multi-task learning with capsule network. Capsule network is a new architecture which can intelligently model part-whole relationships to constitute viewpoint invariant knowledge and automatically extend the learned knowledge to different...
Read More

16级袁凯琦同学中稿Journal of Medical Systems期刊

by netlab Comment Closed
16级同学袁凯琦，在实验室雷凯老师和沈颖老师的指导下，完成一篇论文“KGDDS: A System for Drug-Drug Similarity Measure in Therapeutic Substitution based on Knowledge Graph Curation”，并已确认被Journal of Medical Systems期刊录用。   Journal of Medical Systems期刊： Journal of Medical Systems(https://link.springer.com/journal/10916) 是人工智能领域面向生物医学应用的学术期刊，被中科院评为SCI 3区期刊。该期刊近五年平均影响因子（IF）为2.382。   中稿论文简介： 标题：KGDDS: A System for Drug-Drug Similarity Measure in Therapeutic Substitution based on Knowledge Graph Curation 作者：Ying Shen，Kaiqi Yuan，Jingchao Dai，Buzhou Tang，Min Yang，Kai Lei* 论文链接：https://link.springer.com/article/10.1007/s10916-019-1182-z 系统链接：http://www.iasokg.com/ 摘要：测量药物 - 药物相似性是一项非常重要并且富有挑战性的工作，目前已经在标记的训练数据充足且可用的药物方面取得了重大进展。然而，利用知识图谱丰富的知识来解决数据偏差以及不完整性的潜力还有待挖掘。在本文中，我们提出了一个基于节点链接的生物医学知识图谱管理和可视化系统KGDDS，帮助预测药物 - 药物相似性。具体而言，我们重用现有的知识库来减轻构建高质量知识图的困难，这些知识图的大小高达700万条边。然后我们设计了一个预测模型来探索药理学特征和知识图特征。最后，我们提出了一种用户交互模型，将药物相似度可视化，帮助用户从药物相似性的角度更好地理解药物特性。实验结果表明，KGDDS优于现有的最先进的药物相似性模型。另外，视觉效果证明，KGDDS可以通过促进抗生素处方知识来缩短病人与医护人员之间关于药物知识的差距，具有显着的适用性和实用性。...
Read More

17级黄济乐同学赴柬埔寨参加ICONIP2018神经信息处理国际会议

by netlab Comment Closed
在实验室雷凯老师和沈颖老师的指导下，17级学生黄济乐论文<Semantic Similarity Measures to Disambiguate Terms in Medical Text>被国际学术会议25th International Conference on Neural Information Processing（ICONIP 2018）录用, ICONIP会议的影响力逐年上升,在澳洲和部分欧洲地区被评为计算机学科A类会议。 第25届神经信息处理国际会议（ICONIP 2018）于2018年12月13日至16日在柬埔寨暹粒举行，此前的活动均取得了圆满成功。吴哥窟位于柬埔寨北部的暹粒附近，是东南亚最重要的考古遗址之一，也是世界上最大的宗教纪念碑，被联合国教科文组织列为文化遗产。 ICONIP 2018为科学家，工程师和教育工作者提供一个高水平的国际论坛，介绍相关领域的研究和应用的最新技术。会议以世界知名学者的全体演讲，广泛报道的常规会议以及专注于热门话题的特别会议为特色。 下面是论文简介 论文题目：Semantic Similarity Measures to Disambiguate Terms in Medical Text 论文作者：Kai Lei, Jiyue Huang, Shangchun Si and Ying Shen 论文简介： 在词语之间准确地计算语义相似性是语义网领域中的重要但具有挑战性的任务。 然而，语义相似性度量涉及知识学习的全面性和高频和低频词的充分训练。 在这项研究中，提出了一种方法MedSim用于语义相似性测量，以识别医学文本中的同义词术语，其有效性和准确性得到很好的平衡。应用在中国医学文献的实验结果表明，我们提出的方法在同义词识别方面具有比竞争对手明显的识别准确率优势。 非常感谢实验室的全额资助, 通过此次会议交流学习, 黄济乐同学为实验室同学们分享了人工智能特别是自然语言处理方向未来的发展趋势和研究动向,了解了机器学习现在的理论研究进步,为今后的研究夯实了基础....
Read More

16级邓扬同学参加AAAI 2019国际会议

by netlab Comment Closed
美国时间2019年1月27-2月1日，16级邓扬同学与雷凯老师、沈颖老师一同参加了在美国夏威夷洲檀香山（Honolulu, Hawaii）举办的AAAI 2019 (The Thirty-Third AAAI Conference on Artificial Intelligence) 美国人工智能会议,将实验室的研究成果在会议上展示并与来自全球的学者共同讨论。 AAAI于1979年成立，是国际人工智能领域的顶级国际会议，被中国计算机学会（CCF）列为A类会议。这一协会如今在全球已有超过6000名的会员，汇集了全球最顶尖的人工智能领域专家学者，一直是人工智能界的研究风向标，在学术界久负盛名。本届大会共收到7700余篇有效投稿，其中7095篇论文进入评审环节，最终有1150篇论文被录用，录取率为近年最低仅为16.2%。（https://aaai.org/Conferences/AAAI-19/）   邓扬同学在本次会议上发表了一篇长文“Multi-Task Learning with Multi-View Attention for Answer Selection and Knowledge Base Question Answering”，并在会议上做了口头汇报论文展示。   通过参加本次会议,了解了相关领域内最新研究进展，开拓了视野。通过做报告，认识到了语言表达的重要性。通过与参会人员的交流，受到了很多启发。感谢互联网研发中心、雷老师和沈老师的资助。   以下是论文列表及简介： Multi-Task Learning with Multi-View Attention for Answer Selection and Knowledge Base Question Answering 作者：Yang Deng, Yuexiang Xie, Yaliang Li, Min Yang, Nan Du, Wei Fan, Kai Lei*, Ying Shen* (*Corresponding Author) 简介：答案选择和知识库问答（KBQA）是问答系统的两个重要任务。现有的方法分别解决这两个任务，需要大量的重复工作，而忽略了任务之间丰富的相关信息。本文基于以下动机，通过多任务学习（MTL）同时处理答案选择和KBQA任务。首先，答案选择和KBQA都可以看作是一个排序问题，一个在文本级别，而另一个在知识级别。第二，这两个任务可以互相促进：答案选择可以结合来自知识库（KB）的外部知识，而KBQA可以通过从答案选择中学习上下文信息来改进。为了实现联合学习这两项任务的目的，我们提出了一种新的多任务学习方案，它利用从不同角度学习的多视角注意力，使这些任务能够相互交互，并学习更全面的句子表示。在多个真实数据集上的实验验证了该方法的有效性，提高了答案选择和KBQA的性能。此外，多视角注意力机制被证明能有效地从不同表征角度组装注意力信息。...
Read More

17级谢英英同学、18级李渝同学参加ICPADS 2018国际学术会议

by netlab Comment Closed
在实验室雷凯老师的指导下，16级章奇超、17级谢英英以及18级李渝同学各有一篇论文被IEEE International Conference on Parallel and Distributed Systems 2018国际学术会议（IEEE ICPADS 2018）录用。 下面是论文简介 论文题目：Reputation-based Byzantine Fault-Tolerance for Consortium Blockchain 论文作者：Kai Lei, Qichao Zhang, Limei Xu and Zhuyun Qi 论文简介： 实用拜占庭容错算法在联盟区块链系统中得到了广泛应用，但该类算法难以及时识别出错节点，易受针对于主节点的各类攻击，并且其共识成员的投票话语权的相同，不适用于话语权区分的场景。为了解决这些问题，本研究提出了基于信誉的拜占庭容错（RBFT）算法。我们设计了信誉模型来评估共识过程中每个成员的行为，出错节点将会被降低信誉分，并且在共识过程中获得较低的话语权。另外，我们设计了基于信誉分的主节点切换方案，高信誉分的节点将具有更多的机会成为主节点来产生合法区块。实验结果表明RBFT获得了良好的性能，并确保了系统的安全性和可靠性。   论文题目：OptCaching: A Stackelberg Game and Belief Propagation Based Caching Scheme for Joint Utility Optimization in Fog Computing 论文作者：Kai Lei, Yingying Xie, Jian Shi, Haijun Zhang, Gong Zhang, Bo Bai 论文简介：雾计算将云计算的概念延伸到网络边缘，为大量有低延时要求的应用提供支持。本文研究在三层雾计算场景下，如何合理分配雾节点缓存资源使得联合优化内容提供商、网络运营商和用户的效用。本文对内容提供商、网络运营商和用户之间缓存租赁、定价、利用行为进行建模，并且定义了三者各自的效用函数；将内容提供商与网络运营商之间的缓存定价和租赁行为建模为一个Stackelberg博弈，通过理论分析找到了Stackelberg均衡点；设计了一个基于置信传播的分布式缓存放置算法，通过降低用户平均下载延迟进一步优化了用户效用。实验验证了在Stackelberg均衡点处三者效用达到联合优化的状态；相比于基于全局流行度的缓存放置策略，用户的平均下载延迟降低了33.7%。   论文题目：NDN Producer Mobility Management based on Echo State Network: a Lightweight Machine Learning 论文作者：Kai Lei, Yu Li, Xuewei Piao, Haijun Zhang 论文简介：命名数据网络（Named Data Networking , NDN）在架构设计上对内容消费者移动具有天然的支持，但在内容生产者移动的解决方案上，只是借鉴了TCP/IP移动性解决方案的思想，将TCP/IP网络架构中的Mobile IP等方案应用在NDN网络架构中，虽然有效解决了其原生解决方案（命名链路状态路由协议，NLSR）大规模路由聚合所带来的开销，但不可避免地延续了TCP/IP移动中如三角路由、往返时延长、响应率低等问题。 为更高效地解决NDN生产者移动性问题，充分利用NDN以数据为中心、无连接、路由与转发分离、自带缓存等优势，设计了一种基于马尔可夫链预测的生产者移动策略。根据现有的研究，本文提出了一种基于回声状态网络（Echo State Network，ESN）预测的NDN生产者移动策略。在生产者移动切换发生之前，根据预测对网络设备进行预配置，以低带宽代价提升内容响应速度并降低因移动切换带来的额外时延，实现无缝切换。模型分析以及在ndnSIM上的仿真实验结果表明，本文策略在切换延时，丢包率，切换开销等指标上均具有一定的优势。   ICPADS是科学家和工程师交流和分享关于并行和/或分布式系统的新想法及其最新研究成果的主要国际论坛，成立于1992年。今年于2018年12月11日-12月13日在新加坡圣淘沙举行。会议包括了主题演讲、论文发表、poster展示以及workshop展示等；主题包括并行式和分布式算法、高性能计算、移动计算以及AI应用等方面。会议邀请了来自学术界(如来自中国科学技术大学的李向阳教授、来自Rutgers University的Manish Parashar教授等)和产业界(如来自AI Singapore的Stefan Winkler等)的专家作为Panel Discussion的speakers讨论对AI、IoT以及Urban Computing的看法和展望。   李渝同学、谢英英同学以及章奇超同学分别于12月11日、12月12日和12月13日上午就各自中稿的文章进行了分享，并与来自全球的学者进行了深入交流。   参加本次会议, 他们对相关领域内最新研究进展有了进一步了解，开拓了视野，也认识了来自五洲四海的科研小伙伴。通过做这次报告，他们切身意识到了只有准备充分才能自信沉着，同时也还需多多加强英语口语和表达。与参会人员的交流，使他们受到了很多启发和鼓舞。感谢互联网研发中心和雷老师的资助。...
Read More

16级李可可同学参加GLOBECOM 2018国际学术会议

by netlab Comment Closed
在实验室雷凯老师的指导下，16级李可可同学的一篇论文被Global Communications Conference 2018国际学术会议（GLOBECOM 2018）录用。   下面是论文简介 论文题目：Distributed Information-agnostic Flow Scheduling in Data Centers based on Wait-Time 论文简介：数据中心网络现有的流量调度方法主要是为了最小化短流的流完成时间，并没有考虑优化延时敏感的长流（比如VR视频流，AI交互式问答流）的流完成时间。此外，在现有的流量调度方法中，信息可知的方案（如L2DCT, D2TCP）在实际中难以部署，这是因为它们需要预先知道流的相关信息（如流的大小）；而信息不可知的调度方案（即PIAS）虽然不需要提前知道流的大小信息，但它需要一个中央化的服务器，这就导致在网络规模很大时，PIAS的可扩展性很差。 考虑到现有方案的局限性，在本文中，我们提出一种分布式信息不可知的流量调度方法（DIAS），该方法既能优化短流的流完成时间，也能优化延时敏感的长流的流完成时间。在DIAS中，数据包是根据它们的优先级进行转发的，而数据包的优先级是根据它们在发送端的缓冲区内的等待时间决定的，数据包的等待时间越久，它的优先级越低。此外，DIAS不像PIAS一样采用一个集中化的服务器收集流量负载信息，而是采用每个交换机将流量负载信息附在ACK包中返回给发送端的方式，流量负载信息是用来调整决定数据包优先级的阈值的。ns-3模拟器中的实验结果显示，与DCTCP、L2DCT相比，DIAS分别能够降低54.7%和50.1%的流完成时间，此外，与PIAS相比，DIAS能够保证延时敏感的长流更短的流完成时间，因此比PIAS性能更好。   GLOBECOM是IEEE旗下两大通信旗舰会议之一，今年12月9日-12月13日在阿联酋首都阿布扎比举行。GLOBECOM旨在促进通信各个方面的创新。会议包括了主题演讲、教学讲座、论文发表、研发成果展示以及workshop展示等；内容涵盖完整的计算、通信和网络方面。会议邀请了来自学术界(如来自Stanford University的Guru Parulkar教授等)和产业界(如来自Intel的Udayan Mukherjee，来自华为的Wen Tong等)的专家作为Keynote Speeker分享相关领域的最新进展。   李可可同学于阿联酋时间12月11日下午进行了论文分享并且与来自全球的学者进行了深入交流。   通过参加本次会议,解到了相关领域内最新研究进展，开拓了视野。通过做报告，认识到了语言表达的重要性。通过与参会人员的交流，受到了很多启发。感谢互联网研发中心和雷老师的资助。...
Read More

16级袁凯琦参加BIBM2018国际学术会议

by netlab Comment Closed
在雷凯老师与沈颖老师的指导下，16级学生袁凯琦的一篇论文被第18届IEEE International Conference on Bioinformatics and Biomedicine (BIBM2018) 录用。   下面是论文简介。 论文题目：Drug2Vec: Knowledge-aware Feature-driven Method for Drug Representation Learning 论文简介：正确的药物表示在医疗保健分析中具有广泛的应用，例如药物相互作用（DDI）预测和药物 - 药物相似性（DDS）计算。然而，药物应用涉及准确的药物特征选择和丰富的标注数据，需要耗费专家巨大的时间和精力。目前，关于药物向量特征表示的研究中仍存在特征稀疏，向量维数过高等瓶颈。为了减轻这些不足，我们提出了Drug2Vec，这是一种知识感知的特征驱动的方法，可以准确地学习药物相关知识。具体地，我们首先从药物领域特定语料库中学习药理学特征以改善药物区分度。然后，我们利用神经网络从各种知识库和语料库中学习药物分类特征和药物文本描述特征，解决单一数据源中药物属性的不完整性，并减轻不完整或不准确的公共和专有来源的限制。最后，提出了一种联合交互式学习方法，以根据各种药物特征的相关性发现和学习更多信息。我们对临床医学的医学数据集进行了一系列实验，以证明Drug2Vec能够表示药物特征。 从实验结果来看，Drug2Vec可以准确判别新的药物 - 药物相互作用关系，准确率高达92.19％，证明Drug2Vec显著提高了训练中未见的药物 - 药物相互作用关系的预测质量。   2018年12月3日到6日，袁凯琦同学前往西班牙首都马德里参加BIBM会议。BIBM会议是生物信息学及生物计算领域的顶级会议之一，旨在为计算机科学，生物学，化学，医药学，统计数学的科学家及学者提供了一个跨领域跨平台互相交流的平台, 被中国计算机学会（CCF）列为B类会议 。   本次会议共设24个workshop，46个session（涵盖105篇文章的presentation）和３个keynote组成。袁凯琦同学在主题为Cheminformatics, drug representation and interaction的会议厅进行了文章“Drug2Vec: Knowledge-aware Feature-driven Method for Drug Representation Learning”的学术报告。在Q&A环节，与会者提了很多问题，主要在数据来源，特征处理和医学数据在深度学习模型中的训练等方面，并对文章的工作予以肯定。在与各位学者讨论过程中，充分体会到了医疗与人工智能结合的挑战（医学背景知识，医学数据采集，医学特征的选择）。 通过这次会议，我听取了来自世界各地的学者的报告，同时也意识到了自己的不足，自己各方面的能力亟需提高。如今人工智能已经延伸至各个领域，如何进一步利用医学数据，从海量医学信息迅速有效的挖掘，找到“医疗＋人工智能”的切实可行的落地场景是当今时代向我们提出的挑战。最后，再次感谢互联网研发中心雷凯老师和沈颖老师在论文写作、投稿等方面给予的支持。...
Read More
123›»