数据智能与盘算机图形学领域2019推荐论文列表(附链接)

 公司新闻     |      2023-02-01
本文摘要:泉源:微软研究院AI头条本文约3600字,建议阅读10分钟。2019年度数据智能与盘算及图形学领域论文推荐。

im电竞app下载安卓版

泉源:微软研究院AI头条本文约3600字,建议阅读10分钟。2019年度数据智能与盘算及图形学领域论文推荐。数据智能1. Data-anonymous Encoding for Text-to-SQL Generation论文链接:https://www.microsoft.com/en-us/research/publication/data-anonymous-encoding-for-text-to-sql-generation/在跨领域 Text-to-SQL 研究中一个重要的问题是识别自然语言语句中提到的列名、表格、及单元格的值。本文中提出了一种基于中间变量和多任务学习的框架,实验同时解决表格实体识别和语义剖析问题,取得了良好的效果。

论文在 EMNLP 2019 集会揭晓。2. Towards Complex Text-to-SQL in Cross-domain Database论文链接:https://www.microsoft.com/en-us/research/publication/towards-complex-text-to-sql-in-cross-domain-database-with-intermediate-representation/盘算机的可执行语言(例如 SQL 语句与存储结构精密相关)与自然语言存在不匹配问题,给庞大问题的语义剖析带来了难题。为相识决这个问题,论文中设计了一种中间语言。

先将自然语言转换成中间语言,再将中间语言转换成 SQL,可以提高语义剖析的准确率。该论文已在 ACL 2019 集会揭晓。3. Leveraging Adjective-Noun Phrasing Knowledge for Comparison Relation Prediction in Text-to-SQL论文链接:https://www.microsoft.com/en-us/research/publication/leveraging-adjective-noun-phrasing-knowledge-for-comparison-relation-prediction-in-text-to-sql/在自然语言明白中,知识的运用很是重要。本文以 Adjective-Noun Phrasing Knowledge 为切入点实验在 Text-to-SQL 中运用语言相关知识来提高语言明白的准确率。

论文在 EMNLP 2019 集会揭晓。4. FANDA: A Novel Approach to Perform Follow-up Query Analysis论文链接:https://www.microsoft.com/en-us/research/publication/fanda-a-novel-approach-to-perform-follow-up-query-analysis/在多轮式对话中,对话语句中经常存在省略或指代,需要凭据上下文来明白当前语句。

本文分析总结了在对话式数据分析中普遍泛起的省略或指代现象,并提出了将当前语句增补完整的方法。论文揭晓在 AAAI 2019。5. A Split-and-Recombine Approach for Follow-up Query Analysis论文链接:https://www.microsoft.com/en-us/research/publication/a-split-and-recombine-approach-for-follow-up-query-analysis/本文中提出了一个处置惩罚上下文的 split-recombine 框架,能够用来有效处置惩罚对话语句中经常存在上下文省略或指代问题。

这个框架既可以用于将当前语句增补完整(restate),也可以直接生成 logic form(例如SQL)。论文揭晓在 EMNLP 2019。6. QuickInsights: Quick and Automatic Discovery of Insights from Multi-Dimensional Data论文链接:https://www.microsoft.com/en-us/research/uploads/prod/2019/05/QuickInsights-camera-ready-compliant.pdf该论文创新性地提出了多维数据中洞察 (insights) 的一种普遍适用的抽象界说,并系统化地提出了面向大规模多维数据的有效的洞察挖掘算法。文章揭晓在 SIGMOD 2019。

相应技术从2015年起转化到微软 Power BI,Office 365 等产物中。7. TableSense: Spreadsheet Table Detection with Convolutional Neural Networks论文链接:https://www.microsoft.com/en-us/research/uploads/prod/2019/01/TableSense_AAAI19.pdf文章提出的基于深度学习模型的 TableSense 技术,可对电子表格举行区域检测和表格结构明白,并将其转换为结构化的多维数据举行自动分析。这项技术已转化到微软的 Office 365 产物中,随 Ideas in Excel 功效全面上线。

文章揭晓在 AAAI 2019。8. Text-to-Viz: Automatic Generation of Infographics from Proportion-Related Natural language Statements论文链接:https://www.microsoft.com/en-us/research/publication/text-to-viz-automatic-generation-of-infographics-from-proportion-related-natural-language-statements/该论文揭晓在 IEEE VIS 2019,首创了由自然语言自动生成数据信息图(Infographics)的技术。该技术使人们能够很是容易的获得大量数据信息图的设计,用于增强数据故事的表达。

9. DataShot: Automatic Generation of Fact Sheets from Tabular Data论文链接:https://www.microsoft.com/en-us/research/publication/datashot-automatic-generation-of-fact-sheets-from-tabular-data/该论文揭晓在 IEEE VIS 2019,提出了一种从数据表格出发自动生成由多个数据信息图组合而成的数据海报的技术。10. Towards Automated Infographic Design: Deep Learning-based Auto-Extraction of Extensible Timeline论文链接:https://www.microsoft.com/en-us/research/publication/towards-automated-infographic-design-deep-learning-based-auto-extraction-of-extensible-timeline/该论文提出了一种自动从图片中抽取数据信息图模板的技术。使用盘算机视觉技术,将时间轴的设计图片剖析成多个视觉元素并重新组合,使可视化时间轴设计图片的重用成为了可能。该论文揭晓在 IEEE VIS 2019。

11. Visualization Assessment: A Machine Learning Approach论文链接:https://www.microsoft.com/en-us/research/publication/visualization-assessment-a-machine-learning-approach/该论文揭晓在 IEEE VIS 2019,探索了自动评估可视化图片特性的方法,好比影象度、雅观度,让机械学习的算法在可视化的生成、推荐中发挥作用。12. Supporting Story Synthesis: Bridging the Gap between Visual Analytics and Storytelling论文链接:https://www.microsoft.com/en-us/research/publication/supporting-story-synthesis-bridging-the-gap-between-visual-analytics-and-storytelling-2/该论文界说了一个新的故事生成框架,将数据分析到效果展示的历程抽象成普遍的故事生成流程。该框架支持交互式地从庞大的可视分析效果中生成可以让普通读者明白的故事。论文揭晓在 TVCG 2019。

13. Cross-dataset Time Series Anomaly Detection for Cloud Systems论文链接:https://www.microsoft.com/en-us/research/publication/cross-dataset-time-series-anomaly-detection-for-cloud-systems/文章提出了基于迁移学习和主动学习的跨数据集异常检测框架,可以有效地在差别时间序列数据集之间举行迁移,只需要1%-5% 的标注样本量即可到达高精度检测。文章揭晓在系统领域顶级集会 USENIX ATC 2019 上。

14. Robust Log-based Anomaly Detection on Unstable Log Data论文链接:https://www.microsoft.com/en-us/research/publication/robust-log-based-anomaly-detection-on-unstable-log-data/文章提出了基于深度学习技术的模型 LogRobust,可有效克服日志不稳定问题,在快速迭代的实际工业数据中取得了出众的效果,该研究揭晓在了软件工程领域顶级集会 FSE 2019。15. An Intelligent, End-To-End Analytics Service for Safe Deployment in Large-Scale Cloud Infrastructure论文链接:https://www.microsoft.com/en-us/research/publication/an-intelligent-end-to-end-analytics-service-for-safe-deployment-in-large-scale-cloud-infrastructure/该文章提出了时空相关性模型,在时间和空间的双重维度上对比故障前后的系统状态,为故障诊断提供线索,该模型在宁静部署中取得了很高的准确率,研究结果将揭晓在系统领域顶级集会 NSDI 2020上。16. Outage Prediction and Diagnosis for Cloud Service Systems论文链接:https://www.microsoft.com/en-us/research/publication/outage-prediction-and-diagnosis-for-cloud-service-systems/该文章提出了一种智能的大规模中断预警机制 AirAlert,AirAlert 收集整个云系统中的所有系统监控信号,接纳鲁棒梯度提升树算法做预测,并使用贝叶斯网络举行诊断分析。

相关研究漫笔揭晓在 WWW 2019。17. Prediction-Guided Design for Software Systems论文链接:https://www.microsoft.com/en-us/research/publication/prediction-guided-design-for-software-systems/文章提出了智能缓冲区治理方法,基于预测导向(Prediction-Guided)框架,以机械学习预测引擎为焦点,可监控集群已部署的事情负载与平台操作,对这些负载在发生故障的概率和新的容量增长需求举行预测,动态调整预留缓冲区。该方法已乐成集成到微软 Azure 中,提高了容量设置的稳健性,淘汰了庞大的成本支出。相关研究将在 AAAI 2020 Workshop 公布。

18. An Empirical Investigation of Incident Triage for Online Service Systems论文链接:https://www.microsoft.com/en-us/research/publication/an-empirical-investigation-of-incident-triage-for-online-service-systems/该文章基于微软 20 个大型在线服务系统展开实例研究,发现错误的故障分配会导致分外的时间开销,进而验证了已有软件 Bug 分配算法在故障分配场景下的效果。这是首次研究故障分配在工业大型在线服务系统中的实践,相关研究揭晓在 ICSE SEIP 2019。19. Continuous Incident Triage for Large-Scale Online Service Systems论文链接:https://www.microsoft.com/en-us/research/publication/continuous-incident-triage-for-large-scale-online-service-systems/该文章提出一种基于深度学习的自动化一连故障分配算法 DeepCT。

DeepCT 联合了一个新的基于注意力机制的屏蔽计谋、门控循环单元模型和革新后的损失函数,可以从工程师对问题的讨论中逐步积累知识并优化分配效果。相关结果揭晓在 ASE 2019。

20. Neural Feature Search: A Neural Architecture for Automated Feature Engineering论文链接:https://www.microsoft.com/en-us/research/publication/neural-feature-search-a-neural-architecture-for-automated-feature-engineering/文章提出了神经特征搜索(Neural Feature Search,NFS),基于递归神经网络(Recurrent Neural Network,RNN)的控制器,通过最有潜力的变换规则变换每个原始特征,取得了优于现有自动特征工程方法的性能。该结果已在在数据挖掘领域集会 ICDM 2019 揭晓,在自动特征工程研究领域确立了新的技术水平。图形学21. Repairing Man-Made Meshes via Visual Driven Global Optimization with Minimum Intrusion论文链接:http://haopan.github.io/mesh_repair.html文章提出的方法修复了 ShapeNet、ModelNet 等大型 3D 数据集中的模型缺陷。

该文章揭晓在 SIGGRAPH Asia 2019。22. Learning Adaptive Hierarchical Cuboid Abstractions of 3D Shape Collections论文链接:https://isunchy.github.io/projects/cuboid_abstraction.html人造物体如家具通常具有结构化特征,人类可以容易地将这些物体抽象化为简朴的几何形状的组合,如长方体,便于物体明白和分析。

该论文通过在同类物体上举行无监视学习,生成具有自适应并条理化的长方体抽象表达。文章揭晓在 SIGGRAPH Asia 2019。23. A Scalable Galerkin Multigrid Method for Real-time Simulation of Deformable Objects论文链接:http://tiantianliu.cn/papers/xian2019multigrid/xian2019multigrid.html一种在无结构网格上的 Galerkin 多重网格法,其极大加速了现有柔性体仿真技术的性能。该方法可实时仿真含近百万有限元的柔性体模型,将人们在虚拟世界中可交互的模型庞大度提升了一到两个量级。

该论文揭晓在 SIGGRAPH Asia 2019。24. Deep Inverse Rendering for High-resolution SVBRDF Estimation from an Arbitrary Number of Images论文链接:https://gao-duan.github.io/该论文提出了一种在纹理材质本征空间举行优化的方法,实现了针对任意数量输入图片的纹理材质建模。在给定图像数量较少时给出视觉上合理的效果,而随着输入数量的增多,逐渐获得更为准确的重建效果。该论文揭晓在 SIGGRAPH 2019。

25. Synthesizing 3D Shapes from Silhouette Image Collections using Multi-Projection Generative Adversarial Networks论文链接:https://arxiv.org/abs/1906.03841使用二维轮廓图像学习三维形体生成。该方法仅需要对于某一类物体的大量二维轮廓图像,并不需要任何对应关系,它通过该种别物体在差别偏向上的轮廓所具有的特征漫衍,学习并生成满足这些训练数据漫衍的三维形体。

该论文揭晓在 CVPR 2019。编辑:王菁校对:林亦霖—完—关注清华-青岛数据科学研究院官方微信民众平台“ THU数据派 ”及姊妹号“ 数据派THU ”获取更多讲座福利及优质内容。


本文关键词:im电竞app下载安卓版,数据,智能,与,盘算机,图形,学,领域,2019,推荐

本文来源:im电竞app下载-www.wxwmx.com