<mark id="oztn4"></mark>
0
| 本文作者： 奕欣 | 2017-08-10 01:04 | 專題：KDD 2017 |
雷鋒網(wǎng) AI 科技評論消息，2017 SIGKDD 的三大獎項——創(chuàng)新獎（2017 SIGKDD Innovation Award），杰出服務獎（2017 SIGKDD Service Award）以及十年最佳論文獎（Test of time award）已于日前公布。其中，ACM SIGKDD 新一任主席、加拿大西蒙弗雷澤大學計算機學院教授裴健博士榮獲 2017 SIGKDD 創(chuàng)新獎；香港科技大學教授楊強博士榮獲 2017 SIGKDD 杰出服務獎；而十年最佳論文獎則被康奈爾大學 Thorsten Joachims 的《Training Linear SVMs in Linear Time》所摘得。
ACM SIGKDD 創(chuàng)新獎是知識發(fā)現(xiàn)與數(shù)據(jù)挖掘領(lǐng)域（KDD）的最高榮譽，授予對這一領(lǐng)域做出重大技術(shù)貢獻的研究人員。根據(jù)評審要求，其研究成果必須在數(shù)據(jù)挖掘理論或商業(yè)數(shù)據(jù)挖掘系統(tǒng)的開發(fā)上能夠產(chǎn)生深遠的影響。
歷屆 SIGKDD 創(chuàng)新獎的獲得者都是數(shù)據(jù)挖掘領(lǐng)域的杰出研究者，曾經(jīng)獲得這一獎項的華人包括：
韓家煒（Jiawei Han）博士（2004 年）：美國伊利諾伊大學香檳分校計算機系教授，ACM、IEEE Fellow。值得一提的是，韓家煒博士是裴健教授在加拿大西蒙弗雷澤大學的博士導師。
俞士綸 (Philip S. Yu) 博士（2016 年）：美國伊利諾伊大學芝加哥分校特聘主任教授、清華大學數(shù)據(jù)科學研究院院長。
裴健（Jian Pei）是 ACM SIGKDD 新一屆主席、加拿大西蒙弗雷澤大學計算機學院教授、ACM 和 IEEE Fellow、加拿大研究講席教授（Canada Research Chair, Tier I）。他的研究興趣集中在研究和開發(fā)針對新穎的數(shù)據(jù)密集型應用的高效數(shù)據(jù)分析技術(shù)。他的研究領(lǐng)域包括數(shù)據(jù)挖掘、web 搜索、信息檢索、數(shù)據(jù)倉庫、聯(lián)機分析處理、數(shù)據(jù)庫系統(tǒng)及其在社會網(wǎng)絡和社會媒體、醫(yī)學信息學、商業(yè)智能等領(lǐng)域中的應用。
2000 年以來，他出版了一本教科書和兩本學術(shù)專著，發(fā)表了 200 多篇論文，多次擔任國際會議的程序委員會委員和組織委員會委員。此前裴健教授還由于對數(shù)據(jù)挖掘方面的重大技術(shù)貢獻和對社會及數(shù)據(jù)挖掘社區(qū)的杰出服務獲得 2015 年度的 SIGKDD 杰出服務獎（SIGKDD SERVICE AWARD）。他是 IEEE Transactions on Knowledge and Data Engineering (TKDE) 的前任主編。
官網(wǎng)在公示這一消息時，也闡述了裴健博士的獲獎原因：
「（裴健博士）在數(shù)據(jù)挖掘及應用領(lǐng)域的基礎研究，尤其是模式挖掘與空間數(shù)據(jù)挖掘方面做出了突出的貢獻。他是多種模式增長方法的主要提出者，包括FP-growth和PrefixSpan，這些工作已經(jīng)被業(yè)界廣泛接受和應用，并且被數(shù)據(jù)挖掘教科書及開源軟件工具包所采用。作為數(shù)據(jù)挖掘領(lǐng)域被引用次數(shù)最多的作者之一，他極為高產(chǎn)的出版物被引用了七萬多次?！?/p>
一直以來，裴健博士以多種方式參加 KDD 大會的組織工作，并于過去四年 SIGKDD 執(zhí)委會擔任要職。
在裴健博士當選為 SIGKDD 新一屆主席之際，雷鋒網(wǎng) AI 科技評論對其做了一次專訪，當時他表示，「非常感謝 SIGKDD 會員對我的支持和鼓勵。我會和新一屆的 SIGKDD 執(zhí)委會一起，進一步推進 SIGKDD 的工作，為學術(shù)界和產(chǎn)業(yè)界提供更好的服務。」而本次獲得 2017 SIGKDD 創(chuàng)新獎，更是對裴健博士在學術(shù)領(lǐng)域的又一次肯定。
實際上，裴健博士在 2015 年就獲得了當年的 SIGKDD 杰出服務獎。而今年的杰出服務獎則由香港科技大學計算機系主任楊強教授摘得。
2017 SIGKDD 杰出服務獎主要授予在知識發(fā)現(xiàn)及數(shù)據(jù)挖掘領(lǐng)域作出重大服務貢獻的個人或團隊，包括主辦會議、主持學術(shù)團體等服務性工作，并在數(shù)據(jù)挖掘教學及財務性事務等方面的工作。
該獎主要獎勵對知識發(fā)現(xiàn)及數(shù)據(jù)挖掘領(lǐng)域作出重大服務貢獻的個人或團隊，考察的因素主要包括主持學術(shù)團體、主辦會議等服務性工作，教育學生、研究者和實踐者，資助研發(fā)活動，為傳播技術(shù)信息提供專業(yè)志愿服務，并通過知識挖掘應用為社會做出貢獻，改善全球性醫(yī)療、教育、災難／危機管理及環(huán)境等議題。
曾經(jīng)獲得該獎項的華人學者除了此前提及的裴健博士（2015 年），還有：
吳信東（2004 年）：美國路易斯安那大學教授，國家“”入選者、長江學者，IEEE、AAAS Fellow。
Ying Li（2012 年）：目前擔任新加坡電信公司 Singtel 旗下全資子公司 Dataspark 的 CTO，1993 年獲不列顛哥倫比亞大學博士學位。
Wei Wang（2016 年）：UCLA 計算機系教授，1999 年獲得加利福尼亞大學計算機系博士學位。
獲得 2017 SIGKDD 杰出服務獎的楊強博士是香港科技大學計算機系主任，IEEE 、AAAI 、AAAS 和 IAPR Fellow。
楊強博士在服務和推動數(shù)據(jù)挖掘和人工智能領(lǐng)域作出了突出貢獻，與 ACM 也有著長期緊密的聯(lián)系和合作。楊強博士曾擔任 ACM KDD 2010 的程序委員會聯(lián)合主席，ACM KDD 2012 大會主席，以及 IJCAI 2015 的程序委員會主席。此外，他還擔任 ACM IUI、ACM RecSys、IEEE Big Data 等多個會議的大會聯(lián)合主席，也是多個重要獎項的評審委員會成員，如今年的Test of Time Award評審委員會。
一直以來，楊強博士致力于推進 SIGKDD 在中國的發(fā)展，推動中國數(shù)據(jù)挖掘和機器學習的研究。在他的牽頭下，KDD China 于 2016 年成功在北京舉辦，聯(lián)合后續(xù)的 10 個 KDD China 系列活動，有效地拉近了中國數(shù)據(jù)挖掘研究與世界科研的距離。
此外，他在遷移學習理論和實際應用領(lǐng)域有著世界領(lǐng)先的研究成果，并積極推進數(shù)據(jù)挖掘和機器學習的工業(yè)應用，牽頭成立了包括華為諾亞方舟實驗室、微信聯(lián)合實驗室等多個研究機構(gòu)。
去年，楊強博士受邀來到 CCF－GAIR 2016 的現(xiàn)場并做了主題演講；而在今年 CCF 主辦、雷鋒網(wǎng)和香港中文大學（深圳）合辦的 CCF－GAIR 全球人工智能與機器人峰會上，楊強教授擔任了程序委員會主席，并擔任主會場的 session 主持人。在與雷鋒網(wǎng) AI 科技評論的交流過程中，楊強教授一直強調(diào) AI 學術(shù)的前沿工作也要從工業(yè)界獲得靈感，甚至鼓勵老師們到工業(yè)界工作一段時間。
「在工業(yè)界，老師能跟著商業(yè)人才和業(yè)務人才學習如何構(gòu)建一個完整的商業(yè)閉環(huán)，能夠把一個技術(shù)，比方說無人駕駛或者計算機視覺，和真正的產(chǎn)業(yè)結(jié)合起來，發(fā)揮作用。這個不僅僅是說技術(shù)可以在工業(yè)界不斷提高，把準確率率提高百分之多少的問題，更重要的是說，能夠給技術(shù)找到一個合適的場景，能和一個業(yè)務鏈條緊密結(jié)合起來。 」
得益于楊強博士在推進數(shù)據(jù)挖掘領(lǐng)域產(chǎn)業(yè)化的突出貢獻，獲得今年的杰出服務獎也算得上是實至名歸了。
十年最佳論文獎授予的是在過去十年間 KDD 大會上，對數(shù)據(jù)挖掘領(lǐng)域產(chǎn)生重大影響的論文，康奈爾大學計算機系教授 Thorsten Joachims 博士的《Training Linear SVMs in Linear Time》獲得今年的這一榮譽，理由如下：
支持向量機（SVM）是用于高維數(shù)據(jù)和稀疏數(shù)據(jù)最受歡迎的機器學習技術(shù)之一，但在高效性上存在不足。目前比較流行的做法受到超線性縮放行為的影響，使其在大數(shù)據(jù)集上呈現(xiàn)效率低下的表現(xiàn)。此論文提出了第一個線性 SVM 的通用訓練算法，利用簡單的切割平面算法來訓練收斂的線性 SVM。和以前的方法相比，算法具有幾個優(yōu)點。首先是可操作性，非常簡單易用；其次，這種方法比現(xiàn)有的大分類問題的分解方法要快幾個數(shù)量級；再者，該算法具備與訓練誤差相關(guān)的停止準則，也就是說，可以避免耗費時間解決優(yōu)化問題；最后一點是，該算法可以處理大數(shù)據(jù)集的序數(shù)回歸問題。這一研究開辟了多個研究領(lǐng)域。由于數(shù)據(jù)只需要少量連續(xù)迭代，因此能夠使用外核內(nèi)存的并行實現(xiàn)，此外，該算法在原則上也可以應用于具有核函數(shù)的 SVM 中。
摘要：在文本分類、詞義消歧和藥物設計等應用中，SVM 已經(jīng)成為高維度稀疏數(shù)據(jù)最突出的機器學習技術(shù)之一。這些應用涉及大量的例子 n 以及大量的特征 N，而每個例子只有 s << N 個非零特征。本文提出了一種用于訓練線性 SVM 的切割平面算法，能夠用于分類問題的訓練時間 O（sn）和用于順序回歸問題的 O（sn log（n））。該算法能夠成為 SVM 優(yōu)化問題的一種解決方案。此外，切割平面算法比大型數(shù)據(jù)集的 SVM-Light 等分解方法要快幾個數(shù)量級。
論文鏈接：https://www.cs.cornell.edu/people/tj/publications/joachims_06a.pdf
8 月 13 日至 17 日，第 23 屆 SIGKDD 將在加拿大哈利法克斯舉行，后續(xù)兩個重要獎項——SIGKDD Dissertation Award 及最佳論文將于接下來的幾天頒布。雷鋒網(wǎng)屆時將帶來更多一線消息，敬請期待。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
