报告题目：Parallel Field Ranking

报告人：何晓飞（浙江大学教授）

报告时间：2012年11月9日（周五）9:30

报告地点：校天赐庄校区理工楼504会议室

报告摘要:

 In this talk, I will introduce our recent work on ranking data with respect to the intrinsic geometric structure. Most of the existing  manifold ranking methods focus on learning a ranking function that varies
smoothly along the data manifold. However, beyond smoothness, a desirable
ranking function should vary monotonically along the geodesics of the data
manifold, such that the ranking order along the geodesics is preserved. Our
recent theoretical work shows that the gradient field of a linear function
on the manifold has to be a parallel vector field. Thus, we try to learn a
ranking function and a vector field simultaneously. We require the vector
field to be close to the gradient field of the ranking function, and the
vector field to be as parallel as possible. Moreover, we require the value
of the ranking function at the query point to be the highest, and then
decrease linearly along the manifold. I will also present some experimental
results on both synthetic and real data sets. 

报告人简介：何晓飞，博士，浙江大学教授、博导，国家杰出青年基金获得者，IEEE高级会员。2000年毕业于浙江大学，获计算机学士学位；2005年毕业于美国芝加哥大学，获计算机博士学位；之后加入美国雅虎公司，任职研究科学家；2007年作为人才引进加入浙江大学，任职教授。近年来主要从事机器学习及多媒体计算等方面的研究，在流形学习、数据挖掘、图像检索等领域取得了重要进展,在国际顶级会议及期刊上共发表论文80余篇并申请了7项美国发明专利，其中5项已获得授权。论文共被他人引用5000余次，其中两篇代表性论文分别被他人引用上千次。现/曾任5个国际SCI学术刊物的编委，包括IEEE TKDE、IEEE TSMCB。曾近30次担任国际会议的大会主席、副主席及程序委员会委员。获得2012年人工智能领域顶级国际会议AAAI的最佳论文奖，以及2010年多媒体领域国际顶级会议ACM Multimedia的最佳论文提名奖。