大講堂 | 可擴(kuò)展的端到端譜聚類（Oral Paper, Wu et al, KDD 2018)

本文作者： AI研習(xí)社

2018-10-22 10:33

專題：KDD 2018

導(dǎo)語：在本次公開課中，我將分享其關(guān)于我們開發(fā)可擴(kuò)展的端到端的譜聚類新方法的最新研究工作。我們提出的方法可以同時加速數(shù)據(jù)到圖的構(gòu)建和大矩陣特征分解，使得傳統(tǒng)的譜聚類可以

雷鋒網(wǎng)AI研習(xí)社訊：譜聚類是數(shù)據(jù)聚類研究領(lǐng)域里最有效的方法之一，從90年底被提出至今，二十年來一直受到學(xué)術(shù)界的廣泛關(guān)注。譜聚類有著非常廣泛的實際應(yīng)用，是最基本的數(shù)據(jù)分析工具之一。但是譜聚類一直以來最大的缺點在于對大數(shù)據(jù)的可擴(kuò)展性，使得其很難適應(yīng)今天大數(shù)據(jù)的時代。在本次公開課中，我將分享其關(guān)于我們開發(fā)可擴(kuò)展的端到端的譜聚類新方法的最新研究工作。我們提出的方法可以同時加速數(shù)據(jù)到圖的構(gòu)建和大矩陣特征分解，使得傳統(tǒng)的譜聚類可以重新得力。在對大數(shù)據(jù)的處理上，我們的新提出譜聚類的方法的效果和效率上都比其他類似方法更優(yōu)。

分享主題

可擴(kuò)展的端到端譜聚類（Oral Paper, Wu et al, KDD 2018)

分享嘉賓

吳凌飛，IBM全球研究院總部（IBM T.J. Watson Research Center) 研究員，威廉瑪麗大學(xué)計算機系博士，主要研究方向為機器學(xué)習(xí)，深度學(xué)習(xí)，表征學(xué)習(xí)，自然語言處理，大數(shù)據(jù)。吳博士已經(jīng)發(fā)表20幾篇頂尖雜志和會議，包含但不局限于KDD, ICDM, AISTATS, EMNLP, AAAI, ICASSP, SC, SIAM Journal on Scientific Computing, IEEE Transaction on Big Data, and Journal of Computational Physics。吳博士同時也是13項美國專利的發(fā)明人。

分享提綱

1、譜聚類的應(yīng)用，挑戰(zhàn)，和當(dāng)前的方法利弊比較。

2、重點介紹我們新提出方法SC_RB的兩個重點模塊，Random Binning核近似技術(shù) （Wu et al., KDD 2016），和目前最好的大矩陣特征分解軟件 PRIMME （Wu et al., SISC 2015，Wu et al., SISC 2017）。

3、介紹基于Random Binning 和 PRIMME的SC_RB （Wu et al, KDD 2018)，最新的端到端的譜聚類方法。

分享時間

（北京時間） 10 月 22 日（星期一） 10:00

錯過直播不要緊，回放視頻上傳后也能繼續(xù)看哦~

直播鏈接

http://www.mooc.ai/open/course/579

大講堂 | 可擴(kuò)展的端到端譜聚類（Oral Paper, Wu et al, KDD 2018)