رفتن به نوشته‌ها

KDD 2020 از دریافت کنندگان جوایز بهترین مقاله SIGKDD تجلیل می کند

سن دیگو، 14 سپتامبر 2020 / PRNewswire / – KDD 2020 ، اولین کنفرانس میان رشته ای در علوم داده ، خوشحال است که با دریافت مقالات ارائه شده در کنفرانس سالانه SIGKDD ، دریافت کنندگان جوایز بهترین مقاله SIGKDD را معرفی می کند که درک اساسی از زمینه کشف دانش در داده ها را بهبود می بخشد و داده کاوی. برندگان از بین بیش از 2000 مقاله ای که در ابتدا برای بررسی ارسال شده بود برای ارائه در کنفرانس انتخاب شدند. از 338 مقاله انتخاب شده برای کنفرانس ، سه جایزه اعطا شد: بهترین مقاله در مسیر تحقیق ، بهترین مقاله در مسیر علمی کاربردی داده و بهترین مقاله دانشجویی.

دکتر “خاطرنشان کرد:” علاقه بی سابقه ای به ارائه مقالات پیشرفته بررسی شده در علوم داده در KDD 2020 وجود داشت و کیفیت ارسالی فوق العاده بود. مایکل پازانی، رئیس بهترین کمیته انتخاب مقاله تحقیقاتی KDD 2020 و دانشمند برجسته در UC سن دیگو. “کمیته جایزه به سختی و در مورد مقالاتی که احساس می کردیم از نظر سایر افراد از نظر تأثیر بالقوه بر صنعت و درک برتر از زمینه کشف دانش در علم داده ، از هم جدا شده است ، گفت وگو کرد.” آنیما آناندکومار ، استاد برن در Caltech و مدیر تحقیقات یادگیری ماشین در NVIDIA ، به عنوان رئیس پیست مسیر Applied Data Science به دکتر پازنی در کمیته سازمان پیوست.

بهترین مقالات SIGKDD سال 2020 به شرح زیر است:

  • مسیر تحقیق: “در مورد معیارهای نمونه برای توصیه موارد” ، توسط والید کریچنه (گوگل) و استفن رندل (گوگل) – محققان نشان دادند که معیارهای نمونه برداری را با جزئیات کامل بررسی کرده اند ، به این معنا که پایدار نیستند اظهارات نسبی این مقاله نشان می دهد که می توان با استفاده از تصحیح ، که با به حداقل رساندن معیارهای مختلف از جمله تعصب یا خطای میانگین مربع به دست می آید ، کیفیت معیارهای نمونه را بهبود بخشید و دیدگاه جدیدی برای درک مشکلات نمونه برداری در ارزیابی توصیه با یک تجزیه و تحلیل ابتکاری و نتایج جامد.
  • آهنگ علمی کاربردی داده ها: “توصیه زمانی – متنی در زمان واقعی” ، توسط ییفی ما (آمازون) ، مورالی بالاکریشنان نارایاناسوامی (آمازون) ، هایبین لین (آمازون) و هائو دینگ (آمازون) – نویسندگان سیستم پیشنهادی جعبه سیاه را ارائه می دهند كه می تواند بدون نیاز به تنظیم دستی ، با مجموعه متنوعی از سناریوها سازگار شود. این مقاله در هنگام قرار دادن سیستم های توصیه گر در دنیای واقعی به دو چالش اساسی می پردازد: نحوه آموزش کارآمد آنها حتی با میلیون ها مورد منحصر به فرد و چگونگی کنار آمدن با تغییر روند محبوبیت مورد ، در عین حال ارائه یک مدل جمع و جور برای رسیدگی به زمان واقعی و متنوع نیاز به فراداده
  • مقاله دانشجویی: “TIPRDC: چارچوب جمع آوری گسترده منابع داده برای احترام به حریم خصوصی ، وظیفه مستقل برای یادگیری عمیق با نمایندگی های میانی ناشناس” ، توسط آنگ لی (دانشگاه دوک) ، Yixiao Duan (دانشگاه Beihang) ، Huanrui Yang (دانشگاه دوک) ، ییران چن (دانشگاه دوک) و جیانلی یانگ (دانشگاه بیهانگ) – دانشجویان یک چارچوب جمع آوری داده با رعایت حریم خصوصی و مستقل از وظیفه را با نمایندگی میانی ناشناس ارائه می دهند. هدف این چارچوب یادگیری یک استخراج کننده ویژگی است که می تواند اطلاعات رازداری را از نمایش های میانی پنهان کند ، در حالی که حداکثر اطلاعات اصلی را که برای جمع آوری داده ها در داده های خام تعبیه شده است برای انجام کارهای یادگیری ناشناخته حفظ کند.

کمیته های برنامه فنی آهنگ Research و Applied Data Science Track گروهی کاملاً انتخابی از مقالات را برای بهترین جوایز مقاله شناسایی و معرفی کردند. مقالات معرفی شده سپس توسط دو کمیته جداگانه به رهبری پروفسور به طور مستقل بررسی شدند مایکل پازانی، UC سن دیگو (مسیر تحقیق) و پروفسور آنیما آناندکومار ، موسسه فناوری کالیفرنیا (آهنگ علمی کاربردی داده).

برای کسب اطلاعات بیشتر در مورد رویداد امسال که به صورت مجازی برگزار شد 23-27 آگوست 2020، لطفاً به این آدرس مراجعه کنید: www.kdd.org/kdd2020.

درباره ACM SIGKDD:
ACM اولین سازمان حرفه ای جهانی برای محققان و متخصصان است که به پیشرفت علم و عمل کشف دانش و داده کاوی اختصاص دارد. SIGKDD گروه علاقه ویژه ACM در زمینه کشف دانش و داده کاوی است. کنفرانس بین المللی سالانه KDD در زمینه کشف دانش و داده کاوی ، کنفرانس بین رشته ای برتر برای داده کاوی ، علم داده و تجزیه و تحلیل است.

برای کسب اطلاعات بیشتر در مورد KDD ، لطفا از https://www.kdd.org/.

KDD را دنبال کنید:
فیس بوک- https://www.facebook.com/SIGKDD
توییتر- https://twitter.com/kdd_news
LinkedIn— https://www.linkedin.com/groups/160888/

SOURCE ACM SIGKDD

لینک های مربوطه

https://www.kdd.org


منتشر شده در جدید ترین اخبار

دیدگاه‌ها غیرفعال هستند.