4464
5
0
2016-04-05 11:17:18
2016-04-05
廣東工業大學計算機學院、CCF廣州、CCF YOCSEF廣州 、CCF 容錯計算專委會
于2016年4月9日（周六）9:00-16:30
在廣州大學城 廣東工業大學計算機學院舉行
研究生學術論壇報告會
敬請光臨
論 壇 主 題
高 性 能 網 絡 結 構 與 算 法
論壇將面向高性能計算、網絡空間安全、大數據理論與云計算基礎等相關領域的華南地區（特別是廣州）的高校研究生、研究員和教師，開展廣泛的最新成果學術交流，研討發展戰略，并將邀請國內外相關領域的著名學者做精彩報告，共同促進華南地區計算機科學與技術、網絡空間安全、人工智能等學科的發展與交融。
本次論壇很榮幸地邀請到來自新加坡南洋理工大學、中科院計算所、清華大學、中國科學技術大學、中山大學、華南理工大學、天津大學、南開大學、哈爾濱工業大學等高校院所的學者與研究生，介紹他們在高性能網絡結構與算法方面的最新研究成果。
4月9日，讓我們相聚廣州大學城，相聚廣東工業大學計算機學院，分享、欣賞學術前沿成果。誠摯邀請各位同仁參加，期待您的光臨！
主辦：廣東工業大學計算機學院、CCF廣州，CCF YOCSEF廣州
協辦：廣東省計算機學會、廣東軒轅網絡科技股份有限公司、廣東恒電信息科技股份有限公司
參加人員：有興趣的老師、研究人員、博士和碩士。
會議對參加人員免費，期待您及您的研究生光臨。
溫馨提示：本次論壇不作交通安排，參會人員自行前往，給您帶來不便，請見諒。
論壇執行主席：武繼剛， 廣東工業大學 特聘教授，CCF高性能計算專委委員
許正強， CCF廣州分部執行委員，YOCSEF廣州分部AC委員
陳平華， 廣東工業大學 教授， 副院長，CCF廣州委員
論壇組委會主任：凌捷: 廣東工業大學計算機學院 院長
主要成員：凌捷、李海山、陳平華、武繼剛、金更歡、何萍、姜文超
聯系人：姜文超 電話：15920379566 Email: 85711585@qq.com
論壇特約講者及內容
韓銀和：
中科院計算所研究員，主要研究領域是集成電路設計與測試、計算機體系結構。在這些領域共發表了70多篇學術論文，包含多篇ISCA、HPCA、DAC、ICCAD等體系結構和芯片領域頂級會議論文。星載容錯芯片相關技術獲得過2012年國家技術發明二等獎、全國百篇優博提名(獎)、計算機學會優博等，是包含HPCA、DAC多個體系結構和芯片領域頂級會議的程序委員會委員，CCF YOCSEF侯任主席(2016-2017)，CCF容錯專委秘書長(2016-2019)。他獲得了基金委優秀青年科學基金的資助。
報告題目：計算型內存：面向大數據應用的新型內存體系結構研究
大數據是當前產業界和學術界的熱點，如何設計高性能、高能效的大數據計算系統成為當前體系結構研究領域的一個熱點。大數據應用如圖計算等，訪存行為呈現出緩存（Cache）缺失率高的顯著特點，使得延續50多年一直靠增加緩存來提高處理性能的技術路線難以適用。在本報告中，我們將首先介紹一種新的內存體系結構設計方法：計算型內存，該內存體系結構核心思想來源于上世紀90年代的Process-In-Memory研究，它是通過在內存中設計部分計算資源，來大幅提高訪存的帶寬，實現存算一體化，減緩內存墻問題。然后介紹我們針對非易失性存儲器的計算型內存體系架構。最后，結合計算型內存系統，介紹我們在大數據處理器體系結構上的Cacheless設計思想探索。
Lam Siew Kei：
新加坡南洋理工大學計算機科學與工程學院助教授，博士生導師，硬件與嵌入式系統實驗室主任，他先后為英國倫敦帝國理工學院，英國華威大學和德國亞琛工業大學任客座研究員。目前已發表超過75篇國際期刊和會議論文。其研究方向包括嵌入式系統中自定義計算實現方法，異構及可重構計算系統，自定義計算，嵌入式視覺和自治系統，處理器安全，敏捷交通系統等。
報告題目：High Performance Embedded Systems Research in SCSE, NTU
Global scale applications in healthcare, community sensing, transportation, etc. are expected to emerge from networked embedded systems that integrate seamlessly with the physical environment. Embedded systems which form the building blocks of cyber physical systems will face unprecedented computing challenges with tight functional constraints (e.g. performance, cost, energy, reliability). These challenges drive the need for novel design methodologies and algorithm-to-architecture translations for realizing custom computing solutions to meet the functional and market challenges of embedded systems. This talk will describe the embedded systems research in SCSE, NTU which focuses on 1) architecture-aware design methodologies for implementing custom computing solutions on modern reconfigurable System-on-Chip (SoC) by taking advantage of the heterogeneous computing capabilities offered by these platforms, and 2) low complexity computer vision algorithms for traffic scene understanding.
余志文
華南理工大學計算機學院教授、博士生導師、中山大學兼職教授、CCF理事，IEEE、ACM、IRSS（國際粗糙集學會）、CCF（中國計算機學會）、CAAI（中國人工智能學會）高級會員， ACM廣州分會副主席、2015-2016 CCF YOCSEF廣州 主席、CCF廣州分部委員、CCF人工智能與模式識別專委會委員、數據庫專委會委員、多媒體技術專委會委員，CAAI機器學習專委會委員。余博士于2008年在香港城市大學計算機系獲博士學位，之后在香港理工大學電子計算系做過博士后研究，2011年入選教育部新世紀優秀人才支持計劃，2012年獲得香江學者計劃資助，2013年獲得廣東省自然科學杰出青年基金資助。余博士主要從事數據挖掘、機器學習、模式識別和人工智能方面的研究，發表學術論文近100余篇，其中20篇IEEE Transactions系列（第一作者14篇），如：TKDE, TEC, TCYB, TMM, TSMC-B, TCBB, TCSVT, TNB等，1篇論文獲國際會議最佳論文獎，擔任CCF會刊《計算機應用》編委。主持和參與的項目有20多項，其中主持國家、省部級項目10項。更多信息見個人主頁：www.hgml.cn/yuzhiwen
報告題目：集成學習算法及應用
傳統的單一學習模型通常只從一個視角探索未知數據集，只包含一個學習過程和一個學習結果，具有一定的局限性。集成學習模型則從多個視角探索未知數據集，包含了多個學習過程，通過綜合獲得一個更具代表性的結果。與單一學習模型相比，集成學習模型往往能夠提供準確性、穩定性和強壯性更好的結果。本報告首先簡要介紹各種類型的集成學習模型，主要包括分類集成學習模型、半監督集成學習模型、聚類集成學習模型，等等。然后，以漸進式集成框架、基于圖論的聚類集成算法和自適應集成框架為核心，系統地介紹近年來余志文博士所提出的一些新算法及其在高維帶噪音數據挖掘上的應用，包括：漸進式半監督聚類集成框架、混合聚類選擇策略、基于混合高斯模型的聚類結構集成方法、混合模糊聚類集成方法、自適應模糊聚類集成方法、基于隨機組合數據映射操作的混合聚類集成方法、基于專家知識的聚類集成算法、混合自適應集成學習算法等等。
武繼剛：
廣東工業大學百人計劃特聘教授; 中國人工智能學會離散智能計算專委會常務委員，中國計算機學會理論計算機科學專委會常務委員、高性能計算專委委員。師從于陳國良院士、2000年獲中國科技大學計算機軟件與理論博士學位；之后十年在新加坡南洋理工大學計算機學院做博士后、研究員。 回國后受聘為天津市特聘教授、天津市計算機重點學科領軍人才，天津工業大學計算機學院院長， CCF天津分會副主席。長期從事高性能體系結構、可重構計算、并行分布計算、軟硬件協同設計等領域的算法研究。主持國家自然科學基金課題、教育部博士點科研基金課題、國家重點實驗室開放課題; 先后在本專業國內外重要期刊(IEEE TC、IEEE TPDS、IEEE TVLSI、JPDC)以及重要國際學術會議上發表學術論文200余篇，論文被圖靈獎著作引用。多個高性能計算領域國際會議的分會主席與技術委員會委員。更多信息見個人網頁http://www.sdshimeng.com/jgwu
報告題目：高性能拓撲重構與任務映射
隨著VLSI技術的高度發展，越來越多的計算單元可集成在單個芯片上，并由此發展而來了當下流行的片上網絡系統以及三維高性能體系結構。這種高密度集成的處理器網絡，無論在其制造過程還是在其運行過程中，處理器都不可避免地會出現軟故障或硬故障，容錯重構機制成為系統不可缺少的可靠性保障技術. 該報告討論網格連接的可重構處理器陣列的容錯技術、任務的映射技術；與同行分享多年來積累的研究方法的同時，介紹低功耗、高性能邏輯陣列的重構算法，任務映射的關鍵核心問題，指出該領域熱門的研究課題與研究導向。
論壇程序 上午9:00-12:00 學校報告廳 特邀講者報告
下午1:30-4:30 學院報告廳 研究生報告會
特邀講者：韓銀和，研究員，中科院計算技術研究所
演講題目：計算型內存：面向大數據應用的新型內存體系結構研究
特邀講者：Lam Siew Kei，助教授，新加坡南洋理工大學計算機科學與工程學院
演講題目：High Performance Embedded Systems Research in SCSE, NTU
特邀講者：余志文，教授，華南理工大學計算機學院
演講題目：集成學習算法及應用
特邀講者：武繼剛， 教授，廣東工業大學計算機學院
演講題目：高性能拓撲重構與任務映射
——————————————————————————————————————
研究生學術報告程序（草案）
第一組： 4月9日下午 1:30—4:30 學院會議室1
演講者： 彭偉龍，天津大學博士研究生
演講題目：B-spline Shape from Motion & Shading: An Automatic Free-form Surface Modeling for Face Reconstruction
演講者： 袁云釔，廣東工業大學研究生（指導老師：劉冬寧）
演講題目：Balance Preferences with Performance in Group Role Assignment
演講者： 徐魁，清華大學博士研究生
演講題目：冷凍電鏡圖像數據三維重構
演講者： 陳佳洲，廣東工業大學研究生（指導老師：曾碧）
演講題目：一種應用于靜態圖像人體分割的顯著性檢測方法
演講者： 劉文文，天津工業大學碩士研究生
演講題目：無線傳感網中基于改進球形Double Ruling算法的數據存儲和查詢技術
演講者：陳傳瑜，廣東工業大學研究生（指導老師：陳平華）
演講題目：基于聚類的推薦算法
演講者： 王佳東，哈爾濱工業大學碩士研究生
演講題目：PUF（Physical Unclonable Function-Achieve simple security.
演講題目：基于稀疏表示的疲勞表情識別
演講者：陳龍，中國科學技術大學博士研究生
演講題目： 面向中繼協助與高效傳輸的認知無線電資源分配
演講者：羅璐天，廣東工業大學碩士研究生
演講題目：陰陽學說之彩色圖像加密方案
演講者： 劉寧靜，天津工業大學碩士研究生
演講題目：超大規模集成電路的快速重構技術
演講者：吳齊云，廣東工業大學研究生
演講題目：基于體感交互的運動康復訓練方法研究
演講者： 趙卓雄，華南理工大學研究生
演講題目：My Research in Postgraduate
演講者：林水明，廣東工業大學研究生
演講題目：新時代下的代碼保護技術研究
——————————————————————————————————————
第二組：4月9日下午 1:30—4:30 學院會議室2
演講者： 張曌華，南開大學博士研究生
演講題目：搜索引擎索引組織和優化
演講者： 吳彪，廣東工業大學研究生
演講題目：基于多類別語義詞簇的新聞讀者情緒分類
演講者： 姜桂圓， 新加坡南洋理工大學博士后
演講題目：Electric Vehicle Routing and Scheduling for Urban Public Transportation
演講者：韋寶剛，廣東工業大學研究生
演講題目：基于樸素貝葉斯分類器的水火彎板焰道點判定方法
演講者： 傅浩，天津大學博士研究生
演講題目：南極天文觀測存儲系統研究
演講者： 陳薇，廣東工業大學研究生
演講題目：基于典型因果推斷算法的無線網絡性能優化
演講者： 龔丹丹，天津工業大學碩士研究生
演講題目：自適應的OPTICS算法及其在文本聚類中的研究與應用
演講者： 王洋，廣東工業大學研究生
演講題目：超算在智能城市交通規劃中的應用
演講者： 傅城州，華南師范大學博士研究生
演講題目：學術社交網絡與大數據
演講者：陸靖橋，廣東工業大學研究生
演講題目：復雜網絡與級聯故障的前世今生
演講者： 劉暢，天津工業大學研究生
演講題目：Efficient Heuristic for Placing Monitors on Flow Networks
演講者：徐凱，廣東工業大學研究生
演講題目：海量數據處理架構
演講者：巫可，廣東工業大學研究生
演講題目：融合用戶屬性的隱語義模型的推薦算法
附件
