近日，菠菜平台高瓴人工智能学院3篇师生论文被国际顶级期刊聚会会议（CCF A）录用。CCF是中国盘算机学会的简称。CCF A类期刊聚会会议指国际上少少数的顶级刊物和聚会会议，其中，VLDB聚会会议是数据治理与数据库领域的三大国际顶尖学术聚会会议之一；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 )是盘算机视觉和人工智能领域国际公认的顶级期刊。

VLDB 2021（1篇）

论文介绍

论文题目：Massively Parallel Algorithms for Personalized PageRank

作者：侯冠豪，陈星光，王思博，魏哲巍

通讯作者：王思博，魏哲巍

论文概述：Personalized PageRank(PPR)是一种图节点邻近度的权衡方式，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盘算问题往往无法在单机上完成。本篇论文重点关注于PPR的并行盘算问题，基于Massively Parallel Computing（MPC）模型，在牢固机械负载的前提下，设计了一种通讯轮数（rounds）更少的并行PPR算法Delta-Push。此外，该算法还可以凭据机械数的变化，进一法式整通讯轮数。大量实验讲明，Delta-Push的性能好于现有并行PPR算法。

VLDB Journal（1篇）

论文介绍

论文题目：ExactSim: Benchmarking Single-Source SimRank Algorithms with High-Precision Ground Truths

作者：王涵之（人大博士生），魏哲巍，刘钰，袁野，杜小勇，文继荣

通讯作者：魏哲巍

论文概述：SimRank作为图节点相似度权衡偏向的代表性算法，在链接预测、网络分析等领域均有广泛应用。然而，目前唯一能够精确盘算单源SimRank的要领Power Method受限于其高昂的盘算庞大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获得科学的性能评估。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精确盘算的算法ExactSim，而且通过严格的理论证明保证这一结果以高概率到达10^(-7)的误差精度。此外，本篇论文首次使用ExactSim盘算获得的单源SimRank精确结果，评估了现有近似算法的性能体现，探寻了大规模真实图和合成图上SimRank的漫衍情况和密度性质。

TPAMI（1篇）

论文介绍

论文题目：Linear and Deep Order-Preserving Wasserstein Discriminant Analysis

作者：苏冰，周嘉欢，文继荣，吴郢

论文概述：序列数据的监视特征降维旨在学习一种变换，该变换通过最大化差异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，因为怀抱序列的可分性涉及非线性法式来处置惩罚时序结构。在本文中，我们提出了一种线性要领，称为保序Wasserstein判别分析（OWDA），其深度扩展为DeepOWDA，划分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）距离结构一种新的序列类别之间的可疏散性怀抱，以捕捉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，并将类内散度结构为围绕重心的训练序列的疏散水平。类间距离被丈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奇特差异。在四个3D行动识别数据集上进行的实验验证了OWDA和DeepOWDA的有效性。