通知公告

关于举办Kai Ming Ting教授学术讲座的通知

发布时间:2016年08月29日

各位老师:

为促进学术交流,提高科研团队的影响力与凝聚力,特举办Kai Ming Ting教授学术讲座,欢迎全中心师生参加!报告具体安排如下:

报告题目:Mass-based Dissimilarity:an effective alternative distance measures

报告人:Kai Ming Ting教授

报告时间:2016年8月30日(星期二)15:30 — 16:30

报告地点:通院大楼106室

报告摘要:Distance metric has been the commonly used measure for nearest neighbour algorithms not only because of its geometrical model, but more importantly, it is assumed that the metric axioms are a necessary condition for all data mining tasks. We show that this assumption is in fact an impediment to producing good performing models and the root cause of key weaknesses of nearest neighbour algorithms. Using mass-based dissimilarity, which is a nonmetric that employs probability mass to measure dissimilarity, to replace distance metric converts nearest neighbour (NN) algorithms to  Lowest Probability Mass Neighbour (LMN) Algorithms. The simple relacement heralds a fundamental change of perspective in finding the closest match neighbourhood: Lowest probability mass neighbours represent the most similar neighbours. We show that LMN algorithms overcome the key weaknesses of NN algorithms in three tasks: clustering, anomaly detection and classification.

报告人简介:Kai Ming Ting教授在悉尼大学获得博士学位后,先后在怀卡托大学、迪肯大学和莫纳什大学工作。2014至今,工作在澳大利亚联邦大学。曾在大阪大学、南京大学和香港中文大学做过访问学者。Ting教授目前的研究领域包括质量估计,异常检测,集成方法,数据流,数据挖掘和机器学习。曾担任2008年第十二届PAKDD会议的程序委员会联合主席。担任着一些国际会议的程序委员会委员,包括ACM SIGKDD的国际会议和机器学习国际会议。Ting教授的研究项目也得到了澳大利亚研究委员会,美国AFOSR/AOARD、丰田技术中心和澳大利亚体育学院的资金支持。在2008年,因iForest算法获得了IEEE  ICDM最佳论文奖亚军,在2006年PAKDD会议上获得最佳论文奖。

特此通知。

 

虚拟仿真实验教学中心

2016年8月29日

西安邮电大学虚拟仿真实验教学管理共享平台 版权所有
Copyright © All Rights Reserved, The Sharing Platform of Virtual Simulation Experiment Teaching Management, Xi`an University Of Posts & Telecommunications
地址:西安长安南路563号 邮编:710121 电话:+86-029-85383106 技术支持: 润尼尔网络科技有限公司
实验台运行环境插件下载实验台初始化及运行常见问题指南