XiaoMi-AI文件搜索系统
World File Search SystemKDD
kai-wei chang
[2] Hsiang-fu Yu，Cho-Jui Hsieh，Kai-Wei Chang和Chih-Jen Lin，当数据无法填充记忆中时，大型线性分类，第16届ACM SIGKDD国际知识发现与数据挖掘和数据挖掘的国际会议（KDD 2010）（KDD 2010），最佳研究论文，最佳研究论文，最佳研究论文。[3] Liunian Harold Li, Pengchuan Zhang, Haotian Zhang, Jianwei Yang, Chunyuan Li, Yiwu Zhong, Lijuan Wang, Lu Yuan, Lei Zhang, Jenq-Neng Hwang, Kai-Wei Chang , and Jianfeng Gao, Grounded Language-Image Pre-training, the Computer Vision and Pattern Recognition Conference (CVPR 2022）。最佳纸决赛入围者，在8161个提交中，有33名，最高0.4％[4] Kuan-Hao Huang，Varun Iyer，I.-Hung Hsu，Anoop Kumar，Kai-Wei Chang和Aram Galstyan。“ Paraamr：AMR反翻译的大规模句法释义数据集。”在计算语言学协会年度会议中（ACL 2023）。区域椅子奖（语义曲目中的顶纸）[5] Nikil Roashan Selvam，Sunipa Dev，Daniel Khashabi，Tushar Khot和Kai-Wei Chang。“尾巴摇晃狗：社会偏见基准的数据集建筑偏见。”在计算语言学协会年会（ACL Short）的年度会议中，2023年。杰出纸奖[6] Hritik Bansal，Yonatan Bitton，Idan Szpektor，Kai-Wei Chang和Aditya Grover。videocon：通过对比标题进行稳健的视频语言对齐。在计算机视觉和模式识别会议上（CVPR，2024）。在ICLR研讨会上有关基础模型数据问题的最佳纸张奖。[7] Pan Lu，Hritik Bansal，Tony Xia，Jiacheng Liu，Chunyuan Li，Hannaneh Hajishirzi，Hao Cheng，Kai-Wei Chang，Michel Galley和Jianfeng Gao。MathVista：评估视觉上下文中基础模型的数学推理。在国际学习表征会议上（ICLR，2024）。被选为口头（7,000份提交中的85个，前1.2％）[8] Hritik Bansal，Nishad Singhi，Yu Yang，Fan Yin，Aditya Grover和Kai-Wei Chang。“ CleanClip：减轻多模式对比学习中的数据中毒攻击。”在国际计算机愿景会议上（ICCV，2023）。为口头选择（在8088个意见中，有195个，前2.5％），ICLR的最佳纸张奖，涉及可信赖和可靠的大型机器学习模型。[9] Tao Meng，Sidi Lu，Nanyun Peng和Kai-Wei Chang。在神经信息处理系统中具有神经化甲骨文的可控文本生成（Neurips 2022）。被选为口头，201311年中有201名最高1.9％[10]洪川张，liunian Harold Li，Tao Meng，Kai-Wei Chang和Guy van den Broeck。“关于从数据中进行推理的悖论。”在人工智能国际联合会议中（IJCAI 2023）。ijcai-23中的前3个引用的论文[11] Sheng Shen，Liunian Harold Li，Hao Tan，Mohit Bansal，Anna Rohrbach，Kai-Wei Chang，Zhewei Yao和Kurt Keutz，Keurt Keutz，剪辑可以剪辑多少愿望和语言？国际学习代表会议（ICLR 2022）。iClr-22 [12] W. Ahmad，S。Chakraborty，B。Ray，K.-W。张。旨在进行程序理解和生成的预先培训。计算语言学协会北美分会（NAACL 2021），NAACL-21的前3个引用论文。太阳。[13] Z. Hu，Y。Dong，K。Wang，K.-W。 Chang和Y。gpt-gnn：图神经网络的生成预训练。ACM SIGKDD国际知识发现与数据挖掘会议（KDD 2020），在KDD-20的前10名引用论文。[14] M. Alzantot，Y。Sharma，A。Elgohary，B.-J。HO，M。Srivastava，K.-W。张。 生成自然语言对抗性示例。 自然语言经验方法会议HO，M。Srivastava，K.-W。张。生成自然语言对抗性示例。自然语言经验方法会议
人工智能
EN.705.601。应用机器学习。3 个学分。机器学习 (ML) 是使用计算机解决计算问题的艺术，无需明确的程序。ML 现在如此普遍，以至于各种 ML 应用程序（例如图像识别、股票交易、电子邮件垃圾邮件检测、产品推荐、医疗诊断、预测性维护、网络安全等）我们周围的组织不断使用它，有时我们甚至没有意识到。在本课程中，我们将严格将机器学习技术应用于现实世界的数据，以解决现实世界的问题。我们将简要研究各种机器学习方法的基本原理，例如异常检测、集成学习、使用神经网络的深度学习等。主要重点是将基于 Python 的 Anaconda 和基于 Java 的 Weka 数据科学平台的工具库应用于来自在线资源（例如 Kaggle、UCI KDD、开源存储库等）的数据集。我们还将使用 Jupyter 笔记本来展示和演示几个机器学习管道。先决条件：EN.705.621 算法简介或 EN.605.621 算法基础或 EN.685.621 数据科学算法
IOT网络安全性的深度学习模型
摘要 - 物联网（IoT）是提供网络连接的IP地址的新兴和快速上升的物理对象网络，并且具有在对象和其他基于Internet的设备和系统之间传输数据的能力。连接了数十亿个IoT设备，并且具有很高的网络安全性和数据隐私风险。compoters和移动设备具有许多软件和安全解决方案，可保护和防御攻击，但是缺少类似的安全解决方案来保护IoT网络。在本文中，提出了一维卷积神经网络（1DCNN），以使用UNSW-NB15数据集来衡量效率，该数据集与NSL KDD和KDDCUP99相比是最新且涵盖的现代攻击数据。为了进行比较研究，我们将阁楼机学习模型与KNN和幼稚的贝叶斯进行了比较。在每个实验中，该模型的运行率高达200个时期，并且学习率为0.001。深度学习模型与阁楼机学习模型相比，已经形成了越来越多。
Mengxiao Zhang
Service: Committee Member / Reviewer: - Advances in Neural Information Processing Systems (NeurIPS): 2024, 2023, 2022, 2021, 2020 - The Association for the Advancement of Artificial Intelligence (AAAI): 2025, 2023, 2022 - International Conference on Machine Learning (ICML): 2024, 2023, 2022, 2021, 2020 - Conference on Learning Theory (COLT): 2024, 2023 - Annual ACM Symposium on Theory of Computing (STOC): 2023 - International Conference on Learning Representations (ICLR): 2025, 2024 - Innovations in Theoretical Computer Science (ITCS): 2024 - International Joint Conference on Artificial Intelligence (IJCAI): 2024, 2023, 2022, 2021 - ACM International Conference on Knowledge Discovery and Data Mining (KDD): 2021 - International Conference on Artificial Intelligence and Statistics (AISTATS): 2025, 2024, 2023 - Conference on Algorithmic Learning Theory (ALT): 2021 - Conference on Economics and Computation (EC): 2023 - INFORMS Workshop on Data Science (WDS): 2023 - INFORMS Journal on Computing - Management Science - Transactions on Machine Learning Research (TMLR) - IEEE Transactions on Pattern Analysis and Machine智能（TPAMI）
苹果 - KDL 档案
防空。他宣读了一份分为九部分的准备好的声明，其要点概括如下：空中力量的发展使其成为国防的主要武器。海军和陆军成为空中力量的补充和辅助。由于飞艇可以摧毁任何水面舰艇，潜艇成为海军的骨干。陆军在相关要素不变的情况下，将在空军和海军无法阻止敌人时充当内线防线，或者只有在空中控制允许海上运输部队时才充当进攻。高射炮的威力不大，而且永远如此，只能使极小比例的飞机瘫痪。美国没有值得一提的空军，如果今天卷入战争，需要三到五年的时间来发展一支装备精良的空军。美国可以在八到十天内用数千架飞机入侵美国，而日本只需要几架轰炸机就能到达该国的领土。
使用多种方法对糖尿病患者的预测
摘要本研究使用Babulu Puskesmas UPT的患者数据讨论了使用多线性回归方法的糖尿病患者的预测。这项研究的目的是使用Babulu Puskesmas UPT上的多个线性回归方法为糖尿病患者建立预测系统，并查看如何将预测模型应用于Upt Puskesmas Babulu的糖尿病患者。本研究中使用的研究方法是数据库（KDD）方法中的知识发现，该方法具有多个阶段，例如数据选择阶段，预处理阶段，数据转换阶段，数据挖掘阶段，评估阶段，然后是部署和实施阶段。这项研究中的数据收集技术是访谈技术，私人数据和文献研究。这项研究的结果是获得R2精度值为75％，然后获得93％的精度模型，精度为90％，召回95％和F1得分的评估结果92％。对于预测模型也可以应用于为糖尿病患者构建预测系统，但需要调整使用舍入方法，以便所得的输出可以显示1或0的值。除了系统中的输出外，偶尔会产生负值，因为数据变量与其他几个变量具有负相关性。关键字：糖尿病预测，机器学习
有关通过AI技术革命社会情报和
感知创新AI和感知创新的进步已经揭示了增强社会情报的前所未有的机会。这种进化不仅重塑了我们与社会世界的理解和互动方式，而且还导致了解决复杂的社会挑战的创新方法。人工智能，传感技术和社会科学计算的结合提供了无与伦比的机会，以创建能够以更精确，更有效的方式来理解，预测和影响社会动态的系统。本期特刊致力于探索AI和传感技术的各个方面，从可穿戴设备和IoT传感器的实时社会和环境数据的收集到使用先进AI算法的复杂社会模式和行为的分析。特刊旨在提供一个全面的平台，以展示有助于AI和感知技术增强社会智能的理论，方法和应用的研究成就。我们预计该跨学科领域提出的发展趋势和可能性，以增强我们对社会系统的理解并促进全球社区的整体福利。本期特刊邀请了在AI和Seensing Technologies的最前沿工作的研究人员，从业人员和技术人员的原始贡献，适用于社会智能。特刊具有以下主题（但不限于）：杂志鼓励提交文章，这些文章提出了最新的研究结果，并反思了通过AI和感知创新革命的社会情报的潜在研究方向和挑战。此外，从UIC2024中选定的高质量论文的扩展版本以及众所周知的会议，例如Ubicomp，KDD，ICDE，AAAI，Mobicom，Mobicom，Sigcomm，Sigcomm，Sigcomm，sigcomm将被邀请以丰富此特刊的范围。
David Kristjanson Duvenaud
邀请在2024年12月AI的全球问题上关于AI的全球问题的神经访问研讨会2024年12月在2024年12月的开放问题，2024年10月CIFAR DEEP LEAD LEAVY SUMMLE暑期夏季学校2024年7月，多伦多大学学生AI学生AI大学学生AI 2023年1月2023年1月1月1月的剑桥大学cambridge University computational and Biological Lab Scienter 2022年多伦多大学学校（高中）研究俱乐部（远程）2022年4月神经研讨会：编程语言和神经成像系统（遥远）2021年12月Schwartz-riesman Institute Institute研讨会系列（远程）2021年11月）ICCV ICCV ICCV关于Neural Architect on Neural Architect：现在和未来的（远程（遥远）2021年10月20日至2021年10月20日Keynote：K. ICML Workshop on Time Series (remote) July 2021 Oxford University, StatML Centre for Doctoral Training Seminar (remote) July 2021 Centre for Mathematics and Algorithms for Data, University of Bath (remote) July 2021 Microsoft Research AutoML Lecture Series (remote) May 2021 Flatiron Institute, Center for Computational Mathematics May 2021 ICLR Workshop on Deep Learning for Simulation (remote) April 2021 University College伦敦，DeepMind/Ellis CSML研讨会系列（遥控）2021年2月，贝叶斯深度学习（远程）Neurips Europe Meetup 2020年12月Neurips研讨会：超越反射（远程）2020年12月
逆增强算法学习
Schmidt Sciences AI2050 Early Career Fellow 2024 City & State Trailblazer in Higher Education 2024 Samsung AI Researcher of the Year (awarded to 5 early-career faculty worldwide) 2023 NSF CAREER Award 2022 Cornell Tech Faculty Teaching Award of the Year (awarded to one faculty member by students) 2022 CIFAR Azrieli Global Scholar 2022 Kavli Fellow 2022 LinkedIn Faculty Research Award 2022 MIT Technology Review 35 Innovators Under 35 2021 Best Paper Award in Applied Data Science Track, KDD 2021 Google Research Scholar 2021 Best On Theme paper award, NeurIPS ML4H Workshop 2020 Forbes 30 Under 30 in Science 2019 Most impactful to society poster award, University of Michigan AI Symposium 2019 EECS Rising Star 2018 Best paper award, AISTATS 2018 Top 10 2016-2017论文监管和系统基因组学（ROCOMB/ISCB）2017 2017年最佳海报奖，ICML计算生物学2016年最佳脱口秀奖，ISMB高吞吐量Sig 2015 Rhodes 2015 Rhodes Secorning 2015 Rhodes Scholar 2014 Hertz Hertz Hertz Hertz 2014 NDSEG Allt 2014 NDSEG ALLIG 2014 NDSEG ALLID 2014 DEANS奖学金，2014年DEANS COUMPL ANTANFORD COMPAL，NINTAN FAME 2013 NINATAR DRIVATE 2013 US，US DIMATICS US，US DIMATICS US，US dnd <
使用 TimeLIME 缺陷减少工具进行实验
AI 算法在 SE 研究和实践中的使用频率越来越高。此类算法通常使用来自 SE 领域之外的数据进行委托和认证。我们是否可以假设此类算法可以“现成”使用（即无需修改）？换句话说，SE 问题是否有特殊之处可以表明使用 AI 工具的不同且更好的方法？为了回答这些问题，本文报告了使用 TimeLIME 的实验，TimeLIME 是 KDD'16 中 LIME 解释算法的变体。LIME 可以就如何更改静态代码属性以减少下一个软件版本中的缺陷数量提供建议。该版本的 LIME 使用内部加权工具来决定在这些建议中包含/排除哪些属性。TimeLIME 使用以下 SE 知识改进了该加权方案：软件以版本形式发布；对软件的不合理更改是以前版本中从未更改过的内容；因此最好使用合理的更改，即在以前版本中具有先例的更改。通过将建议限制在经常更改的属性上，TimeLIME 可以 (a) 产生更好的缺陷原因解释和 (b) 关于如何修复错误代码的更好建议。除了这些关于缺陷减少和 TimeLIME 的具体结果之外，本文更普遍的观点是，我们的社区应该更加谨慎地使用现成的 AI 工具，而无需首先应用 SE 知识。如此处所示，应用这些知识可能并不复杂。此外，一旦应用了 SE 知识，就可以显著改善系统。