权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

AitF: Spectral Methods in the Field: New Tools for Discovering Latent Structure in Societal-Scale Data

AitF：现场谱方法：发现社会规模数据中潜在结构的新工具

基本信息

批准号：
1637360
负责人：
Sham Kakade
金额：
$ 60万
依托单位：
University of Washington
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2016
资助国家：
美国
起止时间：
2016-09-01 至 2020-08-31
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1637360&HistoricalAwards=false
关键词：
AitF Spectral Methods Field New

项目摘要

The rapid rise in the use of mobile phones, social media, and digital sensors has created opportunities to observe and understand the rapidly changing structure of populations around the world. In particular, the data captured on these population-scale digital networks can inform policy-relevant questions about the evolving nature of societies around the world. For example, policymakers would like to know how idiosyncratic violence impacts the resilience of local communities, how the presence of foreign troops changes local patterns of interaction, and how draughts and natural disasters affect feelings of national solidarity. Unfortunately, appropriate models and algorithms do not exist to make sense of evolving, societal-scale data. This project will develop scalable algorithms to help make sense of real-world networked sensor data, with the potential for significant impact in the increasingly connected global society. The technical focus of this project is on adapting recent algorithmic advances in the theoretical computer science and machine learning literatures to real-world, societal-scale network data. This approach will leverage recent advances in spectral methods, which provide provably efficient algorithms for estimating hidden structure in data and improve upon the state of the art in three important ways. The first objective is to adapt and scale current spectral models to real-world datasets with millions of interconnected actors, which have weighted and directed edges with heavy-tailed degree distributions. The second goal is to translate existing methods to dynamic regime, to address the non-stationary nature of real-world data. The third goal is to characterize the computational and statistical limits of what can be achieved with these models. The algorithms and tools developed through this research will be made available to the broader academic community via open source code repositories such as GitHub and BitBucket.

移动的手机、社交媒体和数字传感器的使用迅速增加，为观察和了解世界各地迅速变化的人口结构创造了机会。特别是，在这些人口规模的数字网络上捕获的数据可以为有关世界各地社会演变性质的政策相关问题提供信息。例如，决策者想知道特殊的暴力如何影响当地社区的复原力，外国军队的存在如何改变当地的互动模式，以及干旱和自然灾害如何影响民族团结感。不幸的是，不存在合适的模型和算法来理解不断发展的社会规模数据。该项目将开发可扩展的算法，以帮助理解现实世界的网络传感器数据，并在日益互联的全球社会中产生重大影响。该项目的技术重点是使理论计算机科学和机器学习文献中的最新算法进展适应现实世界的社会规模网络数据。这种方法将利用光谱方法的最新进展，这些方法提供了可证明有效的算法来估计数据中的隐藏结构，并在三个重要方面改进了现有技术。第一个目标是使当前的谱模型适应和扩展到具有数百万相互关联的参与者的真实世界数据集，这些参与者具有重尾度分布的加权和定向边。第二个目标是将现有的方法转化为动态机制，以解决现实世界数据的非平稳性。第三个目标是描述这些模型所能达到的计算和统计极限。通过这项研究开发的算法和工具将通过GitHub和BitBucket等开源代码库提供给更广泛的学术界。

项目成果

期刊论文数量（11）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Recovering Structured Probability Matrices.

恢复结构化概率矩阵。

DOI：
10.4230/lipics.itcs.2018.46
发表时间：
2018
期刊：
9th Innovations in Theoretical Computer Science Conference (ITCS 2018
影响因子：
0
作者：
Huang, Qingqing;Kakade, Sham M.;Kong, Weihao;Valiant, Gregory
通讯作者：
Valiant, Gregory

Meta-learning for mixed linear regression

DOI：
发表时间：
2020-02
期刊：
影响因子：
0
作者：
Weihao Kong;Raghav Somani;Zhao Song;S. Kakade;Sewoong Oh
通讯作者：
Weihao Kong;Raghav Somani;Zhao Song;S. Kakade;Sewoong Oh

Learning Overcomplete HMMs

DOI：
发表时间：
2017-11
期刊：
ArXiv
影响因子：
0
作者：
Vatsal Sharan;S. Kakade;Percy Liang;G. Valiant
通讯作者：
Vatsal Sharan;S. Kakade;Percy Liang;G. Valiant

Accelerating Stochastic Gradient Descent for Least Squares Regression

最小二乘回归的加速随机梯度下降

DOI：
发表时间：
2018
期刊：
31st Annual Conference on Learning Theory
影响因子：
0
作者：
Jain, Prateek;Kakade, Sham M.;Kidambi, Rahul;Netrapalli, Praneeth;Sidford, Aaron
通讯作者：
Sidford, Aaron

Maximum Likelihood Estimation for Learning Populations of Parameters

学习参数群体的最大似然估计