【计算机学院、软件学院】众包计算学术研讨会
发布时间: 2017-06-28 浏览次数: 13 文章来源: 科技处


时间:2017年6月30日14:30

地点:南邮仙林校区计算机学科楼327会议室

主办单位:江苏省大数据安全与智能处理重点实验室

众包是一种以公开选拔的方式从未定义的和一般性的大规模用户中产出解决方案、思想、数据等的问题解决模型。众包利用个人、团队和社区的智慧来完成通常计算机难以完成的任务,已经成为许多有价值的互联网资源的最主要的机制,如Wikipedia, Semantic Web, Freebase以及其它由参与者贡献知识创造出的覆盖许多领域的知识库系统。近年来,众包被广泛应用于视频分析、知识发现、城市管理、人机交互、图像质量评价、在线市场等方面。随着智能手机的快速普及和4G/5G技术的发展,移动众包成为满足大规模感知应用的有效模式。与传统的传感器网络相比,移动众包具有时空覆盖广、成本低、扩展性强等优势,目前已经在智慧健康、社交网络、环境监测、智能交通、室内定位等方面有许多应用。

然而,众包计算中尚存在一些开放问题需要解决,如众包数据的质量如何保证,参与者的隐私如何保护,如何利用参与者已有的社交网络更加快速和有针对性地扩散众包任务,如何分析海量低质的众包数据,如何有效激励参与者,如何设计和实现众包系统等。本研讨会围绕众包计算中的信息质量控制、众包数据挖掘、用户社交关系、众包用户激励和隐私保护等关键问题进行探讨,旨在为众包计算研究者和开发者提供一个学术交流平台,促进众包计算理论与技术的交流、合作和应用。

报告题目:Data Quality and Data Mining with Crowdsourcing

报告人:盛胜利

报告人简介:

   盛胜利(VICTOR S. SHENG)是美国阿肯色中央大学计算机科学系副教授和数据分析实验室主任,19997月于苏州大学获硕士学位,200312月于加拿大新不伦瑞克大学获硕士学位,20078月于加拿大西安大略大学获博士学位,20079月至20098月间于美国纽约大学斯特恩商学院做博士后研究员。研究领域为数据挖掘与机器学习、人工智能、数据安全和决策支持,及其在商业、生物信息学、医疗信息学、软件工程等领域的应用。主持和参与美国自然科学基金、加拿大自然科学与工程研究基金10余项;在国际学术会议和期刊上共发表论文100多篇,其中CCF推荐的A类期刊和会议论文20余篇,单篇论文被引用最高达680余次。2015年荣获WISE最佳学生论文奖finalist; 2011年荣获ICDM大会最佳论文奖; 2008年荣获KDD大会最佳论文奖亚军; 2008年机器学习研讨会Google学生奖获得者; 2006年荣获IEEE Kitchener-Waterloo Section知识和数据挖掘联合研讨会最佳海报奖。研究成果多次发表在数据挖掘和机器学习的顶级会议和期刊上国际学期刊包括TPAMI, TKDE, JMLR, TMM, TNNLSDMKD等。国际学术会议包括IJCAI, KDD, ICML, AAAI, ECML, ICDM, DASFAA, ACM MM, ICMR, ICME, CIKM等。现任ICDM 2017financial Chair和多个国际期刊编委。多次担任美国国家科学基金会评审委员会委员和国际学术会议分会主席。并多次在多家高级国际学术会议和期刊担任评审委员会委员。

报告摘要:

  Crowdsourcing systems provide convenient platforms to collect human intelligence for a variety of tasks (e.g., labeling objects) from a vast pool of independent workers (a crowd). Compared with traditional expert labeling methods, crowdsourcing is obviously more efficient and cost-effective, but the quality of a single labeler cannot be guaranteed. In taking advantage of the low cost of crowdsourcing, it is common to obtain multiple labels per object (i.e., repeated labeling) from the crowd. In this talk, we outline our research on crowdsourcing from three aspects: (1) crowdsourcing mechanisms, specifically on repeated labeling strategies; (2) ground truth inference; and (3) learning from crowdsourced data.

  

报告题目:Social network based Mobile crowdsourcing: system, issues and applications

报告人:王玉峰


报告人简介:

   王玉峰现任南京邮电大学通信与信息工程学院教授,博士生导师。20047月于北京邮电大学网络与交换技术国家重点实验室获得工学博士学位;2006年到2007年日本九州大学博士后研究员;2008年到2011年,日本国家信息通信技术研究院(NICT, National Institute of Information and Communications Technology)特聘研究员;20118月至今,任日本早稻田大学媒体研究所客座研究员;发表英文文章80余篇,其中包括SCI检索知名国际期刊论文30余篇,总它引400余次。出版“Mobile social networking and computing”和“Proximity service”两部英文学术专著2部。申请发明专利20余项(国际专利1),软件著作权2项。完成国家自然科学基金项目2项;省部级项目8项;获得江苏省第四期“333高层次人才培养工程”第3层次培养对象;江苏省“六大人才高峰”高层次人才项目资助;江苏省“创新团体计划”核心成员。研究兴趣包括移动社交网络,众包系统、信任和隐私、通信网络与移动计算等。

  

报告摘要:

    智能移动设备具有较强的计算、存储和通信能力,并且内置了多种功能的传感器,已经成为用户与物理环境和社会空间之间基本的信息接口。利用移动设备的感知、计算和通信能力,并结合人类认知能力和智慧,移动众包(Mobile Crowdsourcing SystemMCS)利用大量个体的力量(power of grassroots)和智慧(wisdom of crowd)是解决传统计算方式难以处理的大规模感知和智能工作的有效方式。而移动社交网络的快速发展和应用,为MCS系统提供了新的交互手段,即考虑参与者之间在时间、空间和社会关系的特性,主动利用其移动社交网络(包括广域和邻近区域)有效地选择/雇佣用户,从而高效地解决时间和空间敏感的众包任务。本报告拟对经济社会启发的众包任务分发和参与者邀请机制、兼顾各方参者利益的激励机制、轻量级的隐私保护机制,及基于大数据的众包数据质量控制等方面进行深入的探讨,并对典型的基于社交网络的MCS系统进行总结,探讨其巨大的商业价值。

报告题目:Improving Label Quality for Crowdsourcing by Inference and Noise Correction

报告人:张静


报告人简介:

     张静现任南京理工大学计算机科学与工程学院讲师。研究领域为数据挖掘、机器学习、大数据处理与分析、以及相关应用系统。近5年来主要从事众包标注环境下的机器学习算法的相关研究。发表各类期刊和会议论文25篇,其中以第一作者身份发表SCI论文8篇(包括TKDETNNLSTCYBJMLR等顶级期刊论文5篇)、国际会议论文5篇(包括AAAISIGIRCIKM等)。拥有授权发明专利1项,申报发明专利1项。主持国家自然科学基金(青年项目)、江苏省自然科学基金(青年项目)、中国博士后科学基金特别资助、中国博士后科学基金面上项目(一等资助)和江苏省博士后基金(C类资助)。担任多个国际SCI期刊的审稿人和国际会议程序委员会成员。

报告摘要:

When collecting labels from crowdsourcing, the quality of the non-expert provided labels is usual low. A classic technical scheme of improving label quality in crowdsourcing resorts to inference, which integrates multiple opinions of crowdsourced labelers to estimate true labels. Furthermore, by treating the potential falsely inferred labels as noises, learning model prediction based noise handling methods can be utilized to further improve the label quality after inference.

报告题目:Incentive Mechanisms for Crowdsourcing Systems in Two Novel Scenarios

报告人:徐佳


报告人简介:

    徐佳现任南京邮电大学计算机学院教授,博士生导师。江苏省“六大人才高峰”高层次人才、江苏省 “333高层次人才培养工程”第三层次培养对象和南京邮电大学“1311”人才计划鼎新学者。担任IEEE NetworkTVTThe Computer JournalWINETJWCNMISAHWSNIJDSN等国际期刊审稿人,及国际会议ICNCICSCICC的程序委员。2010年毕业于南京理工大学计算机应用专业,获工学博士学位,20144月于南京邮电大学“信息与通信工程”博士后流动站出站,2014年—2015年美国科罗拉多矿业大学访问学者。目前主要研究领域为群智感知、社交网络、算法博弈论。在IEEE Transactions on Wireless CommunicationsComputer CommunicationsIEEE SECONACM CIKMWireless NetworksMobile Information Systems等期刊及会议上发表论文50余篇。授权发明专利13项,申请发明专利15项,软件著作权登记11项,合作出版教材1部。曾获2014年度中国通信学会科技进步二等奖(排名1),2016年度江苏省教育科学研究成果奖二等奖(排名2),2013年度南京市科技进步二等奖(排名2),2013年度江苏通信行业科技进步三等奖(排名2),2016年度南京邮电大学科技进步特等奖(排名2)。作为项目负责人主持国家自然科学基金项目、中国博士后特别资助项目、江苏省科技支撑计划、江苏省自然科学基金面上项目等。

报告摘要:

   Mobile crowdsourcing can enable numerous attractive novel sensing applications due to the prominent advantages such as wide spatiotemporal coverage, low cost, good scalability, pervasive application scenarios, etc. In mobile crowdsourcing applications, incentive mechanisms are necessary to stimulate more potential smartphone users and to achieve good service quality. In this talk, I will present the system models based on reverse auction framework and formulate the problems. I will focus on exploring truthful incentive mechanisms for two novel and practical scenarios.