捕获局部语义结构和实例辨别的无监督哈希

由于具有低存储成本、高效检索、低标注成本等方面的优势,无监督的哈希技术已经引起了学术界越来越多的关注,并且已经广泛地应用到大规模数据库检索问题中.先前的无监督方法大部分依靠数据集本身的语义结构作为指导信息,要求在哈希空间中,数据的语义信息能够得到保持,从而完成哈希编码的学习.因此如何精确地表示语义结构以及哈希编码成为了无监督哈希方法成功的关键.本文提出一种新的基于自监督学习的策略进行无监督哈希编码学习.具体来讲,本文首先利用对比学习对在目标数据集上对网络进行学习,从而能够构建准确的语义相似性结构.接着,提出一个新的目标损失函数,期望在哈希空间中,数据的局部语义相似性结构能够得到保持,同时哈希编码的辨识力能够得到提升.本文提出的网络框架是端到端可训练的.最后,提出的算法在两个大规模图像检索数据集上进行了测试,大量的实验验证了本文提出的算法的有效性.     

新型时空众包平台中的在线三维稳定匹配问题

近年来,时空众包平台正逐步走入人们的生活,并受到研究者的广泛关注.在时空众包平台中,任务分配是一个核心问题,即在满足时间和空间的条件约束下,如何为不同用户分配合适的工人来进行服务.现有的工作往往将最大化任务匹配个数或效用值之和作为研究目标,这些方法关注全局的解决方案,但是没有考虑用户和工人的偏好来提高他们对于分配的满意程度.此外,现有工作大多只考虑用户和工人两种角色,即工人移动到用户当前位置进行服务.但是,新型时空众包平台的中往往包含用户、工人和工作点三种角色,即为用户和工人分配一个工作点来进行服务.基于以上不足,三维时空稳定分配问题被提出.但是,此问题只关注了静态场景,而时空众包平台往往是在线的,即工人和用户发出的任务都是实时出现的.因此,提出了面向新型时空众包平台的三维在线稳定匹配问题和一种基础算法.通过分析基础算法的不足,结合人工智能的方法提出一种改进算法来解决这个问题.采用大量的真实数据和合成数据集来验证算法的高效性和有效性.     

时空众包数据管理技术研究综述

近年来,众包为传统数据管理提供了一种通过汇聚群体智慧求解问题的新模式,并成为当前数据库领域的研究热点之一.特别是随着移动互联网技术与共享经济模式的快速发展,众包技术已融入到各类具有时空数据的应用场景中,例如各类O2O(Online-To-Offline)应用,实时交通监控与动态物流管理等.简言之,这种应用众包技术处理时空数据的方式称为时空众包数据管理.本文对近期在时空众包数据管理方面的研究工作进行综述,首先阐述了时空众包的概念,解释了其与传统众包技术的关系,并介绍了各类典型的时空众包应用;随后描述了时空众包应用平台的工作流程及其任务特点;然后讨论了时空众包数据管理的三项核心研究问题和三类应用技术.最后,本文总结了时空众包数据管理技术的研究现状并展望了其未来潜在研究方向,为相关研究人员提供有价值的参考.     

Threshold-Based Shortest Path Query over Large Correlated Uncertain Graphs

With the popularity of uncertain data, queries over uncertain graphs have become a hot topic in the database community. As one of the important queries, the shortest path query over an uncertain graph ...     

基于事件的社交网络上的双边偏好稳态规划

在基于事件的社交网络中,一个经典的问题是为用户规划其感兴趣的事件.现有的工作仅仅考虑用户的喜好,仅从用户的角度出发,为其安排尽可能感兴趣的事件来参加.然而,从事件主办者的角度出发,他们亦希望为事件安排的用户尽可能有更大的影响力,用户的可靠性尽可能高,以保障事件能够顺利开展,并取得预期的效果.本质上来说,基于事件的社交网络上的规划问题是一个双向选择的问题,而现有的所有工作均未从用户和事件的双边偏好考虑问题.因此,提出一种双边偏好稳态规划问题来解决这种双向选择问题.该问题首次提出,因此现有工作中未有相关算法可供解决该问题.对比之前只考虑用户偏好的规划,在考虑用户和事件双边偏好时,面临着问题更复杂、约束条件更多的困难.因此,提出两种基础算法和一种改进算法来高效、高质量地解决这个问题,并用大量的实验验证所提出算法的高效性和有效性.     

贝叶斯推理与并行回火研究综述

贝叶斯推理是统计学中的主要问题之一，旨在根据观测数据更新概率分布模型的先验知识。对于真实情况下常遇到的无法观测或难以直接计算的后验概率，贝叶斯推理可以对其进行近似，它是一种以贝叶斯定理为基础的重要方法。在许多机器学习问题中都涉及对包含各类特征数据的真实分布进行模拟和近似的过程，如分类模型、主题建模和数据挖掘等，因此贝叶斯推理在当今机器学习领域里具有重要而独特的研究价值。随着大数据时代的开始，研究者经由实际信息采集到海量的实验数据，导致需要模拟和计算的目标分布也非常复杂，如何在复杂数据下对目标分布进行结果精确和时间高效的近似推理，成为了当今贝叶斯推理问题的重难点。针对这一复杂分布模型下的推理问题，文中对近年来解决贝叶斯推理问题的两大主要方法——变分推理和采样方法，进行系统性地介绍和综述。首先，给出变分推理的问题定义与理论知识，详细介绍以坐标上升为基础的变分推理算法，并给出这一方法的已有应用与未来展望。然后，对国内外现有的采样方法的研究成果进行综述，给出各类主要采样方法的具体算法流程，并总结和对比这些方法的特性与优缺点。最后，引入并行回火技术，对其基本理论和方法进行概述，探讨并行回火与采样...