石远明课题组蒋涛(硕)2018年11月参加GlobalSIP学术会议并展示学术成果

发布者:王雪发布时间:2018-12-12浏览次数:105


在十一月二十六日至十二月一日之间, 我和我们组博士后 Hayoung Choi 在美国的安纳海姆城市参加第六届GlobalSIP学术会议。这次我参加GlobalSIP会议是为了展示我的科研成果T. Jiang and Y. Shi, “Sparse and low-rank optimization for pliable index coding,” in Proc. IEEE Global Conf. Signal and Inf. Process. (GlobalSIP), Anaheim, CA, Nov. 2018.


GlobalSIP学术会议全称为IEEE Global Conference on Signal and Information Processing, 其主要关注信号以及信息处理领域。在这个会议上,许多有特色的世界级演讲,杰出的研讨会,教程会,展示等等。并且这些演讲以及展示覆盖了许多科研领域,比如深度学习在无线通信中的应用,分布式机器学习和优化,图信号处理等等。

实际日程和内容:

在十一月二十六日晚上9点半, 我们在浦东国际机场出发前往洛杉矶。经过十一小时的飞行,我们到达洛杉矶的时候是洛杉矶时间下午5点。由于开会城市安纳海姆在洛杉矶附近,我们再经过一小时左右的车程抵达会议酒店。第二天,我们注册了会议开始听演讲。我们听的第一个演讲主题是无线网络安全的信号处理。这次全体演讲邀请到了普林斯顿大学的H. Vincent Poor 教授,他演讲的题目是Security in the Internet of Things: Information Theoretic Insights。新兴物联网(IoT)具有几个与现有无线网络架构不同的显着特征。 其中包括部署大量(可能)低复杂度的终端; 需要低延迟,短分组通信(例如,支持自动化); 轻或没有基础设施; 数据收集,推理和控制的主要应用。这些特征决定了物联网中的安全问题,而这个问题的一个重要方面是需要有关于解决这些特征的安全性的新基本见解。H. Vincent Poor 教授的演讲讨论了这些方面的的最新研究进展,描述了在上述设置内检查源编码,数据传输和推断中的安全性的结果。通过这次演讲,我们比较全面的了解到了新兴物联网的安全问题和现有的科研进展。


在十二月二十八日,我们主要参与了理论与算法的研讨会。其中On Identifiability of Nonnegative Matrix Factorization文章的作者展示了他们的工作,他们主要提出了一个新的辨别准则来保证低秩矩阵的分解。具体地,使用所提出的标准,如果一个因子的行在非负的正数上充分地分散,则足以识别潜在因子,而除了满秩之外,没有对另一个因子施加结构假设。这是迄今为止最温和的条件,在该条件下可以从NMF模型中证明潜在因子。另一篇有趣的文章The Exact Solution to Rank-1 L1-Norm TUCKER2 Decomposition 研究了3路张量的基于1-L1标准的TUCKER2(L1-TUCKER2)分解。 首先,他们证明问题正式是NP难的。 然后,他们在文献中推导出前两种算法的精确解。 并给出了算法伴随形式复杂性分析。


在十二月二十九日,我在会议的poster模块展示了我的论文 Sparse and low-rank optimization for pliable index coding。我的这篇论文主要研究基于内容通信的服务模式,与以往的通信模式(每个用户需要收到一个特定的消息)不同,基于内容的通信模式中每个用户只需要收到一个新的消息就满足了。在一个半小时的展示中,许多参会者来同我交流我的研究工作,并且他们表示了强烈的兴趣。有些人来自工业界,他们主要关注我的工作的应用和实现。而一些来自学术界的研究者比较关心理论结论和方法新的改进。总之,我从与其他人交流的过程中学到了很多。在十二月三十日,我们前往洛杉矶国际机场乘坐飞机返回上海。

在这次会议中,我展示了我的科研成果 Sparse and low-rank optimization for pliable index coding。这次展示吸引力许多人的关注。在与众多研究者的交流过程中,我了解到来自不同背景的人关注点不一样。有些人来自工业界,他们主要关注我的工作的应用和实现。而一些来自学术界的研究者比较关心理论结论和方法新的改进。这是我知道以后如何更好地做科研和写论文。如何将论文表达的更加清楚,从而使得更多的人关注我的工作。总之,在这次外出开会过程中,我学会了很多并锻炼了我的表达交流技巧。


在今后的科研中,我将我的这篇论文工作推广到更一般,更实际的通信场景,得到更加强的算法收敛行结论。或者提出更有效的算法和更多的理论保证。