20篇必读论文!2023世界人工智能大会青年优秀论文奖公示

2023年2月,《关于推荐“2023世界人工智能大会青年优秀论文奖”参评论文的通知》发布,面向全球高校、科研院所、企业开展人工智能领域青年优秀论文征集活动。至征稿截止,共收到海内外参评论文235篇,包括国际相关知名高校、科研机构、企业。

经初评、复评、终评,最终评选出2023世界人工智能大会青年优秀论文奖论文10篇,提名奖论文10篇。公示如下:

2023世界人工智能大会青年优秀论文奖

(按论文英文题目首字母排序,共10篇)

  1. ADMM-CSNet: A Deep Learning Approach for Image Compressive Sensing,杨燕,西安交通大学,IEEE Transactions on Pattern Analysis and Machine Intelligence 2020

  2. Finding key players in complex networks through deep reinforcement learning,范长俊,国防科技大学,Nature Machine Intelligence 2020

  3. Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning,张云蔚,剑桥大学,Nature Communications 2020

  4. Parameter-efficient fine-tuning of large-scale pre-trained language models,丁宁,清华大学,Nature Machine Intelligence 2023

  5. Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions,王文海,南京大学,IEEE/CVF International Conference on Computer Vision (ICCV2021)

  6. Quantum computational advantage using photons,钟翰森,中国科学技术大学,Science 2020

  7. Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers,郑思晓,复旦大学,IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR2021)

  8. SEAM is a spatial single nuclear metabolomics method for dissecting tissue microenvironment,原致远,清华大学,Nature Methods2021

  9. SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers,谢恩泽,香港大学,Advances in Neural Information Processing Systems 34 (NeurIPS 2021)

  10. Triboelectric nanogenerator sensors for soft robotics aiming at digital twin applications,金滔,上海大学、新加坡国立大学, Nature Communications2020

2023世界人工智能大会青年优秀论文提名奖

(按论文英文题目首字母排序,共10篇)

  1. CoSDA-ML: Multi-Lingual Code-Switching Data Augmentation for Zero-Shot Cross-Lingual NLP,覃立波,哈尔滨工业大学,International Joint Conference on Artificial Intelligence (IJCAI2020)

  2. DropMessage: Unifying Random Dropping for Graph Neural Networks,方陶然,浙江大学,AAAI-23

  3. EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monocular Object Pose Estimation,陈涵晟,同济大学,阿里巴巴达摩实验室,IEEE/CVF Computer Vision and Pattern Recognition Conference2022

  4. Lucid: A Non-Intrusive, Scalable and Interpretable Scheduler for Deep Learning Training Jobs,胡擎昊,上海人工智能实验室,新加坡南洋理工大学,(ASPLOS '23) The 28th ACM International Conference on Architectural Support for Programming Languages and Operating Systems

  5. Neural Body: Implicit Neural Representations with Structured Latent Codes for Novel View Synthesis of Dynamic Humans,彭思达,浙江大学,IEEE/CVF Conference on Computer Vision and Pattern Recognition2021

  6. Perseus: A Fail-Slow Detection Framework for Cloud Storage Systems,鲁瑞明,上海交通大学、阿里巴巴,USENIX Conference on File and Storage Technologies (FAST2023)

  7. Prospective assessment of breast cancer risk from multimodal multiview ultrasound images via clinically applicable deep learning,钱学骏,南加利福尼亚大学,Nature Biomedical Engineering2021

  8. RepVGG: Making VGG-style ConvNets Great Again,丁霄汉,清华大学,CVPR 2021

  9. Simple and Deep Graph Convolutional Networks,陈明,中国人民大学,International Conference on Machine Learning2020

  10. Towards Robust Blind Face Restoration with Codebook Lookup Transformer,周尚辰,新加坡南洋理工大学,Neural Information Processing Systems (NeurIPS2022)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 好的,以下是一些你需要知道的Spark知识点: 1. Spark是一个基于内存的分布式计算框架,可以处理大规模数据集。 2. Spark的核心概念是RDD(弹性分布式数据集),它是一个可分区、可并行计算的数据集合。 3. Spark支持多种编程语言,包括Scala、Java、Python和R。 4. Spark可以与多种数据存储系统集成,包括Hadoop HDFS、Cassandra、HBase和Amazon S3等。 5. Spark提供了多种高级API,包括Spark SQL、Spark Streaming和MLlib等,可以用于数据处理、流处理和机器学习等任务。 6. Spark可以在本地模式下运行,也可以在集群模式下运行,支持多种集群管理器,包括Apache Mesos、Hadoop YARN和Standalone等。 7. Spark的性能优于Hadoop MapReduce,因为它可以将数据存储在内存中,从而避免了磁盘I/O的开销。 8. Spark还提供了一些优化技术,包括内存管理、数据分区和任务调度等,可以进一步提高性能。 希望这些知识点对你有所帮助! ### 回答2: 作为一名数据科学家或大数据工程师,掌握分布式计算框架Spark是必不可少的技能之一。Spark具有高效的内存计算能力、易于使用的API、丰富的生态系统等优点,因此它被广泛应用于数据处理、机器学习、图像处理等领域。在掌握Spark的过程中,有一些关键知识点需要牢记。 1. RDD与DataFrame的区别 Spark中最常用的数据结构有两种:RDD和DataFrame。RDD是不可变的分布式数据集,可以被分割并存储在不同的节点上进行处理。DataFrame是一种类似于关系型数据库表的结构,它提供了更高层次的API,可用于数据的查询、筛选和聚合。 2. Lazy Evaluation Spark中的操作具有“惰性求值”的特性,即只有在需要结果时才会实际执行操作。这种特性可以提高Spark的性能,因为它避免了不必要的计算和数据移动。但是,需要注意的是,当我们使用了多个转换操作时,可能会导致Spark在内存中存储所有转换的中间结果,从而导致内存不足的问题。 3. Shuffle的开销 Shuffle是指Spark中需要重新分区数据的过程。Shuffle操作通常会导致网络传输和磁盘IO的开销,并且会使Spark的性能下降。因此,我们应尽量避免过多的Shuffle操作,并且优化Shuffle的过程。 4. Spark调优 对于大规模数据处理任务,Spark的性能和稳定性都十分关键。因此,我们需要对Spark进行调优,以提高它的性能和减少故障。具体来说,我们可以通过增加内存分配、调整分区数量、合理设置并发度等方式来优化Spark的性能。 总之,掌握这些Spark的关键知识点有助于我们更好地开发和管理Spark应用程序,并在大数据领域中取得更好的成果。 ### 回答3: 作为目前最流行的大数据处理框架之一,Spark已经成为了大家谈论的热点话题。如果你想要学习关于Spark的知识,以下是你必须知道的Spark知识点。 1. RDD:RDD是Spark中最基本的抽象概念,全称是Resilient Distributed Datasets。RDD是一个容错的、可并行计算的数据集合。在Spark中,所有数据都是以RDD的形式出现的。RDD具有不变性,也就是说,RDD一旦被创建,就不可更改。如果需要对RDD进行操作,就需要创建一个新的RDD。 2. 迭代器(Iterator): Spark中的迭代器是一种延迟执行的方式。它允许 Spark 延迟计算,只有到调用 action 操作时才会真正开始计算数据。 3. 数据分区(Data Partitioning):数据分区可以更好的支持并行计算,让计算机更加高效的工作。Spark将数据分解成小块,每块专门分派给一个处理器来处理。分区的数量应该与处理器的数量相同,以充分利用每个处理器。 4. Shuffle:Shuffle是将数据重新分配和重新组合的过程,在Spark中用于在不同的节点之间传递数据。在数据分组、排序、变换等操作时,会频繁的使用shuffle操作。 5. 宽依赖和窄依赖(Wide and Narrow Dependencies):依赖是Spark RDD中的概念,表示与当前RDD对应的其它RDD。一个RDD可能依赖于多个RDD,此时依赖关系称为宽依赖(Wide Dependencies)。如果一个RDD依赖于一个RDD,那么这个依赖关系被称为窄依赖(Narrow Dependencies)。 6. Spark SQL:Spark SQL是一个新的模块,提供了使用结构化数据的一个新的方式。它将Spark的强大的处理引擎与表格数据结构相结合,使得Spark可以更容易地与现有的商业智能工具和数据仓库互操作。 7. Spark Streaming:Spark Streaming是Spark提供的流处理引擎,可以处理实时数据流。Spark Streaming对于数据挖掘,实时监控等有很好的应用场景。 以上就是您需要了解的一些Spark基础知识,当然,Spark这门技术还有很多精妙的理念和玩法,需要您自行探究。如果您想要学习Spark,可以参考Spark文档,同时多动手练习,不断总结经验,培养能独立解决问题的能力。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值