大会简介

数据挖掘是人工智能、机器学习、数据库、统计、模式识别等多个学科交叉的热点研究领域，研究成果已在诸多领域得到应用。中国数据挖掘会议（CCDM，China Conference on Data Mining）由中国计算机学会和中国人工智能学会联合主办，中国计算机学会人工智能与模式识别专委会和中国人工智能学会机器学习专委会联合指导。前五届中国数据挖掘会议分别在北京、郑州、烟台、广州和金华成功举办，为学术届和工业界同行提供了一个极佳的合作交流平台。中国数据挖掘会议每两年举行一次，现已成为国内数据挖掘、人工智能领域最主要的学术活动之一。

第六届中国数据挖掘会议（CCDM 2016）将于2016年5月20日到22日在广西桂林举行，由桂林电子科技大学、桂林理工大学联合承办，由广西师范学院、广西科技大学、广西可信软件重点实验室、YOCSEF桂林分论坛协办。本次会议将为数据挖掘及相关研究领域的学者交流最新研究成果、进行广泛的学术讨论提供便利，并且将邀请国内外数据挖掘领域的著名学者做精彩报告。

会议场所

2016年5月20日到22日

广西・桂林大公馆

桂林大公馆是一家大型会议酒店，位于桂林桃花江畔，四周群山环绕，清幽静谧。5分钟车程可达桂林商业中心，30分钟车程即达桂林两江国际机场，地理位置优越。园内千年古榕和珍花名草交相错落，亭台栈道、繁花似锦，漫步其中怡然自得，在自然清新的空气中身临其境的感受桂林山水风光。

客房视野广阔，坐拥一线江景，推窗远眺即见桂林十景之一“西峰夕照”，四周峰峦叠起尽收眼底。房内智能电脑控制系统，让您在房内轻松触控房间所有设施；免费网速近4G的无线网络无死角覆盖酒店所有客房、餐厅等每个区域。

会议住宿亦指定为桂林大公馆（会务组已为与会代表预留房间）。与会代表也可以自行安排住宿。

中国智能体及多智能体系研讨会

概述

智能体与多智能体研究是当前国际人工智能领域的研究热点，是融合了计算机科学、人工智能、自动控制、经济学、管理学等多个学科的交叉研究，在安全、经济、环境、空管、工业生产等重大领域得到了广泛应用。为了促进智能体及多智能体系统领域同行间的交流，中国计算机学会人工智能与模式识别专委会多智能体系统学组已先后举办了两届研讨会。其中，2014年在中国科学院计算技术研究所成功举办第一届智能体与多智能体系统研讨会； 2015会议在山西大学成功举办第二届智能体与多智能体系统研讨会。本次研讨会将邀请海内外从事多智能体系统及相关领域研究的多位专家与会进行学术交流，共同探讨中国智能体及多智能体系统领域未来的发展。研讨会同时将举办博士论坛，为广大学生提供学习和交流的机会。欢迎大家积极参会！

论坛主席

史忠植，中科院计算所，研究员
安 波，南洋理工大学，副教授
陈小平，中国科技大学，教授
毛新军，国防科技大学，教授
高 阳，南京大学，教授

建议讲者

讲者一: 史忠植 中科院计算所 ，研究员
讲者简介：史忠植 中国科学院计算技术研究所研究员， 中国计算机学会会士，中国人工智能学会会士，IEEE高级会员，AAAI和ACM会员，IFIP人工智能学会机器学习和数据挖掘工作组主席。博士生指导教师。1968年毕业于中国科学院研究生院。长期从事智能科学、人工智能的研究。多次荣获中国科学院和国家科技进步奖。发表著作14部和学术论文450多篇。2013年获得中国人工智能学会吴文俊人工智能科学技术成就奖。担任《International Journal of Intelligence Science》主编。多次担任国际学术会议程序委员会主席或委员。曾担任中国人工智能学会副理事长、中国计算机学会秘书长。

讲者二: 安 波 南洋理工大学/中科院计算所
讲者简介：安波是新加坡南洋理工大学计算机工程学院的南洋助理教授,于2011年在美国麻省大学Amherst分校获计算机科学博士学位。主要研究领域包括人工智能、多智能体系统、博弈论、及优化。有40余篇论文发表在人工智能领域的国际顶级会议AAMAS、IJCAI、AAAI、ICAPS以及著名学术期刊JAAMAS、IEEE Transactions。曾获2010年国际智能体及多智能体系统协会杰出博士论文奖,2011年美国海岸警卫队的卓越运营奖,2012年国际智能体及多智能体系统年会最佳应用论文奖,IAAI’2016创新应用论文奖，以及2012年美国运筹学和管理学研究协会(INFORMS)杰出运筹学应用奖等荣誉。他当选为国际智能体及多智能体系统协会理事会成员。
演讲题目 ：多智能体系统研究最新进展与热点研究方向
摘要：多智能体系统（Multi-agent Systems）由分布式人工智能演变而来，其研究目的在于解决大规模、复杂、实时和有不确定信息的现实问题。经过近30年的发展，多智能体系统已经成为国际人工智能的前沿学科和研究热点。报告将讨论多智能体系统研究一些当前热点研究问题以及未来研究挑战。

讲者三: 唐平中 清华大学

讲者四: 王崇骏 南京大学 教授

讲者五: 郝建业 天津大学 教授

讲者六:刘咏梅 中山大学

讲者七: 刘际明 香港浸会大学 教授

讲者八: 秦 涛 微软亚洲研究院

论坛议程

5月20日上午8：30-9：20，史忠植报告
5月20日上午9：20-10：10，唐平中报告
TEA BREAK
5月20日上午10：20-11：10，郝建业报告
5月20日上午11：10-12：00，王崇骏报告
LUNCH
5月20日下午13：30-14：20，刘际明报告
5月20日下午14：20-15：10，刘咏梅报告
TEA BREAK
5月20日下午15：20-16：10，安波报告
5月20日下午16：10-17：00，秦涛报告
5月20日下午17：10-18：00，博士生论坛
5月20日下午18:00-18:30，学组工作会议

生物医学数据挖掘研讨会

概述

近年来，随着高通量生物技术的快速发展，海量生物数据开始不断积累，如何处理和挖掘这些生物大数据的生物信息学也应运而生，并吸引了众多计算机、数学和物理等各个学科的研究人员参与进来。同时，随着电子病历、医学图像和医学临床数据等的涌现和公开发布，医学信息学也正变为一个蓬勃发展的热门学科。目前，数据挖掘和机器学习在生物信息学和医学信息学中得到了广泛的应用。本次研讨会的目的是希望邀请国内数据挖掘和机器学习领域的著名专家介绍一下他们在生物医学信息学方面的工作，并探讨生物医学大数据对现有机器学习和数据挖掘方法所带来的机遇和挑战、以及未来的发展方向。

论坛主席

赵兴明，同济大学，教授 上海市青年科技启明星和上海市浦江人才计划入选者，IEEE Senior Member、IEEE SMC Technical Committee on Systems Biology委员、IAPR TC20 委员、中国运筹学会计算系统生物学分会常务理事、中国细胞学会基因组信息学与系统生物学分会理事、上海市生物信息学学会理事、上海市计算机学会生物信息学专委会副主任、中国人工智能学会生物信息学与人工生命专业委员会委员、中国计算机学会生物信息学专业委员会委员。同时担任IEEE/ACM TCBB和Neurocomputing等国际期刊的客座编辑和编委，已发表SCI收录论文60余篇。

李国正，中国中医科学院，研究员 中医药数据中心副主任，广东省中医院客座教授、博士生导师，中国生物医学工程学会中医工程分会副主任委员，中国中医药信息研究会社区中医药信息分会副会长、中国人工智能学会机器学习专委会常务委员，世界中医药联合会中医四诊专委会常务理事，中国计算机学会人工智能与模式识别专委会委员、 YOCSEF委员。其主要研究方向是模式识别和健康医疗大数据挖掘。 在国内外若干专业期刊和会议上发表100余篇论文， 其中SCI收录50余篇，EI收录50余篇。参与撰写6本专著，主持翻译1本专著。 他是国际刊物IJDMB(SCI收录), IJMLC(SCI收录)等7个国际刊物的编委、副编辑，《计算机工程》编委， 是IJCBS09、 ITCM10、 ITCM11、 IEEE-BIBM2013程序委员会共同主席。

吴建盛，南京邮电大学，副教授 南京大学计算机科学与技术系博士后，密西根大学、亚利桑那州立大学访问学者。主要方向是机器学习和生物信息学。近几年来在包括IEEE/ACM Transaction， Bioinformatics等国内外专业期刊和会议上发表论文30余篇，其中SCI收录论文18篇，EI收录10余篇，第一作者SCI收录论文单篇引用次数最高为79次。

论坛特邀讲者

讲者一: 吴信东 合肥工业大学，教授
讲者简介：合肥工业大学教授、博士生导师，专业学者、海外杰青、IEEE Fellow、AAAS Fellow。
演讲题目 ：Pattern Matching and Mining with Wildcards and Length Constraints 
时长： 45分钟 

讲者二: 周水庚 复旦大学，教授
讲者简介：复旦大学计算机科学技术学院教授，上海市智能信息处理重点实验室副主任（2004-），曾任计算机科学与工程系副主任（2004/12-2008/4）。目前为中国计算机学会杰出会员、IEEE/ACM SIGMOD会员、中国计算机学会数据库专委会委员、大数据专委会等的委员。
演讲题目 ：基于数据挖掘的生物信息学研究
时长： 45分钟 
摘要：数据挖掘是从大量数据中获取知识的主要技术手段。生物大数据的出现为数据挖掘提供了新的挑战与机遇。在这个报告中，我将介绍生物数据挖掘的特点与挑战性问题以及近年来我课题组运用数据挖掘方法开展的一些生物信息学研究课题与取得的结果。

讲者三: 张学工 清华大学，教授
讲者简介：清华大学自动化系、医学院教授，合成与系统生物学中心副主任，国家杰出青年基金获得者，清华信息科学与技术国家实验室（筹）生物信息学部主任，生物信息学教育部重点实验室副主任。
演讲题目 ：生物组学数据挖掘中的模式识别问题初探 
时长： 45分钟 

论坛议程
5月20日上午8：30-9：20，吴信东报告
5月20日上午9：20-10：10，周水庚报告
5月20日上午10：10-10：30，茶歇
5月20日上午10：30-11：20，张学工报告

聚类分析研讨会

概述

聚类分析是数据挖掘、机器学习、模式识别等研究领域的重要工具之一，也是这些领域近十多年来研究的热点。但聚类分析是一个病态问题，即使关于“类”统一且普遍接受的定义尚不存在,这一方面致使聚类分析的理论基础仍很薄弱，另一方面导致文献中的聚类算法众多，而众多的聚类算法又使用户处于尴尬的境地：难以选择适合自己聚类问题的算法。此外，社会生活中越来越普遍的大数据又给聚类分析带来新的挑战，即如何进行快速有效的聚类分析。因此，我们建议选择“聚类分析”作为CCDM2016的论坛之一，以推动国内学者在聚类分析方向的研究。

论坛主席

于剑，现任北京交通大学教授，博士生导师，计算机学院计算机科学系主任，交通数据分析与挖掘北京市重点实验室主任，中国计算机学会理事，中国计算机学会人工智能与模式识别专业委员会秘书长，中国人工智能学会理事，中国人工智能学会机器学习专业委员会副主任，国家数字印刷重点实验室学术委员。主持多项国家自然科学基金项目。主要研究兴趣是机器学习和数据挖掘等。

讲者

Prof. Miin-Shen Yang (楊敏生) received the BS degree in mathematics from the Chung Yuan Christian University, Chung-Li, Taiwan, in 1977, the MS degree in applied mathematics from the National Chiao-Tung University, Hsinchu, Taiwan, in 1980, and the PhD degree in statistics from the University of South Carolina, Columbia, USA, in 1989.In 1989, he joined the faculty of the Department of Mathematics in the Chung Yuan Christian University (CYCU) as an Associate Professor, where, since 1994, he has been a Professor. From 1997 to 1998, he was a Visiting Professor with the Department of Industrial Engineering, University of Washington, Seattle, USA. During 2001-2005, he was the Chairman of the Department of Applied Mathematics in CYCU. Since 2012, he has been a Distinguished Professor of the Department of Applied Mathematics and the Director of Chaplain’s Office in CYCU. His research interests include fuzzy clustering, applications of statistics, neural fuzzy systems, pattern recognition, and machine learning. Dr. Yang was an Associate Editor of the IEEE Transactions on Fuzzy Systems (2005-2011), and is an Associate Editor of the Applied Computational Intelligence & Soft Computing and Editor-in-Chief of Advances in Computational Research. He was awarded with 2008 Outstanding Associate Editor of IEEE Transactions on Fuzzy Systems, IEEE; 2009 Outstanding Research Professor of Chung Yuan Christian University; 2010 Top Cited Article Award 2005-2010, Pattern Recognition Letters; 2012-2018 Distinguished Professorship of Chung Yuan Christian University.

邓赵红，博士, 江南大学数字媒体学院教授, IEEE Senior Member, 中国计算机学会高级会员。研究方向为模糊逻辑、神经计算及其在微生物过程建模和智能健康等方面的应用研究。在应用基础研究方面，作为负责人主持了1项江苏省杰出青年基金项目、1项教育部新世纪优秀人才支持计划项目、2项国家自然科学基金项目和1项江苏省自然科学基金面上项目。在学术论文方面，在计算智能领域国内外主流期刊发表论文60余篇，包含国际权威期刊IEEE/ACM Trans系列常文18篇。作为主要完成人获得教育部科技进步一等奖1次。在合作交流方面，自2004年至2012年曾多次到香港从事合作研究，并于2013年3月至2014年3月在加州大学戴维斯分校做了为期一年的访问研究。近年来在科研教学方面获得了江苏省杰出青年基金获得者、教育部新世纪优秀人才支持计划获得者和江南大学至善青年学者等荣誉。目前为Neurocomputing, PLOS One 等四个国际期刊的编委。

马占宇，博士，北京邮电大学副教授，丹麦奥尔堡大学兼职副教授，北邮信通院-邦赢 彩票大数据联合实验室主任，曾就读于北京邮电大学和瑞典皇家理工学院。主要研究领域为非高斯概率模型及其在多媒体信号处理、生物医学信号处理和生物信息学等领域的应用。主持国家自然科学基金项目两项、北京市自然科学基金项目一项、教育部留学归国人员科研启动基金一项，瑞典博士后研究基金一项；参与欧盟合作研究项目两项，瑞典ÅF 基金会研究项目一项，瑞典科研与教育国际合作基金会项目一项。共发表包括IEEE trans. on PAMI.在内的学术论文40余篇。

日程安排

时间：2016年5月20日下午

13:00-13:05    
论坛致辞  
于剑教授

13:05-14:05    
Applications of fuzzy clustering in regression models
楊敏生教授
Abstract－In this invited talk, there are three parts to be presented. In Part I, I talk about fuzzy cluster-wise regressions. In part II, step-wise possibilistic c-regressions are considered. In part III, I present the newly proposed change-point regression models using fuzzy clustering.
  Regression analysis is used in evaluating the functional relationship between the dependent and independent variables. Cluster-wise (or called switching) regression analysis is to embed clustering techniques into regression models. Since Zadeh (1965) proposed fuzzy sets that produced the idea of partial memberships described by membership functions, fuzzy set theory has been widely applied in clustering. For fuzzy clustering, the fuzzy c-means (FCM) algorithm, first proposed by Dunn (1974) and then extended by Bezdek (1981), is the most commonly used method. Since Quandt (1958 and 1960) and Chow (1960) initiated researches on switching regressions, it had been widely studied and applied. Hathaway and Bezdek (1993) first combined switching regressions with FCM by embedding fuzzy c-partitions to regression models, and referred to them as fuzzy c-regressions (FCRs). However, the FCRs are sensitive to noise and outliers. In part I, I present the work of Yang et al. (2008) that applied the concept of the -cut implemented clustering algorithms (FCM) to FCR and created the FCR algorithm to improve the robustness against noise and outliers, especially for c-regression models.
  Krishnapuram and Keller (1993) proposed a possibilistic c-means (PCM) clustering approach which is more robust than FCM to noise and outliers. Our current study is to embed possibilistic clustering into switching regression models and called it possibilistic c-regressions (PCR). Although PCR ameliorate the problem of outliers and noisy points more than FCR, PCR still depends heavily on initializations. In part II, I present the step-wise possibilistic c-regressions (SPCR) method which repeats PCR on a series of nested subsets using the clustering results of the previous subset as good initial values for PCR on the succeeding subset. The proposed SPCR is without initial values and robust to noises and outliers. Several experiments demonstrate that the accuracy and efficiency of our proposed method are superior to other c-regression methods.
  Change-point (CP) regression models have been widely applied in various fields where detecting change-points (CPs) is an important problem. Detecting the location of CPs in regression models could be equivalent to partitioning data points into clusters of similar individuals. In part III, I present a newly proposed method, called fuzzy CP (FCP) algorithm, for detecting the CPs and simultaneously estimate the parameters of regression models. The fuzzy c-partitions concept is first embedded into the CP regression models, and then it is transferred into the pseudo memberships of data points belonging to each individual cluster, and so these estimates for model parameters by the fuzzy c-regressions method can be obtained. Subsequently, the FCM clustering is used to obtain new iterates of the CPs collection memberships by minimizing an objective function concerning the deviations between the predicted response values and data values. Several numerical examples and real data sets are used, and experimental results show that the proposed FCP is an effective and useful CP detection algorithm for CP regression models.

14:05-15:05    
迁移原型聚类(Transfer Prototype-based Clustering)
邓赵红教授
Abstract—Traditional prototype-based clustering methods, such as the well-known fuzzy c-mean (FCM) algorithm, usually need sufficient data to find a good clustering partition. If available data are limited or scarce, most of them are no longer effective. While the data for the current clustering task may be scarce, there is usually some useful knowledge available in the related scenes/domains. In this study, the concept of transfer learning is applied to prototype-based fuzzy clustering (PFC). Specifically, the idea of leveraging knowledge from the source domain is exploited to develop a set of transfer prototype-based fuzzy clustering (TPFC) algorithms. First, two representative prototype-based fuzzy clustering algorithms, namely, FCM, and fuzzy subspace clustering (FSC), have been chosen to incorporate with knowledge leveraging mechanisms to develop the corresponding transfer clustering algorithms based on an assumption that there are the same number of clusters between the target domain (current scene) and the source domain (related scene). Furthermore, two extended versions are also proposed to implement the transfer learning for the situation that there are different numbers of clusters between two domains. The novel objective functions are proposed to integrate the knowledge from the source domain with the data in the target domain for the clustering in the target domain. The proposed algorithms have been validated on different synthetic and real-world datasets. Experimental results demonstrate their effectiveness in comparison with both the original prototype-based fuzzy clustering algorithms and the related clustering algorithms like multi-task clustering and co-clustering.

15:05-15:30    
茶歇

15:30-16:30    
Extended Variational Inference for Non-Gaussian Statistical Models
马占宇副教授
Abstract—Recent research demonstrate that the usage of non-Gaussian statistical models is advantageous in applications where the data are not Gaussian distributed. With conventionally applied model estimation methods, e.g., maximum likelihood estimation and Bayesian estimation, we cannot derive analytically tractable solution for non-Gaussian statistical models. In order to obtain closed-form solution, we extend the commonly used variational inference (VI) framework via lower-bound approximation, by utilizing convexity/relative convexity of the integrants in the non-Gaussian distributions. In this presentation, we introduce the principles of the extended variational inference (EVI) and demonstrate its advantages in non-Gaussian mixture models and bounded support matrix factorization. We also show the advantages of non-Gaussian statistical models in real life applications, such as speech coding, 3D depth map enhancement, and DNA methylation analysis. Here, we restrict our attention to the non-Gaussian distribution in the exponential family。

ACM数据挖掘中国年会-SIGKDD China Chapter Annual Conference

ACM数据挖掘中国年会是SIGKDD China Chapter的旗舰活动，每年举办一次。2016年ACM数据挖掘中国年会将于5月20日-22日在桂林跟中国数据挖掘大会（CCDM 2016）一起举办。ACM数据挖掘中国年会的重头戏为5月21日下午的工业界论坛，汇集中国数据挖掘领域的精英企业和行业领袖.

大会主席:
                           
杨强教授，香港科技大学  
           
周志华教授，南京大学 

程序委员会主席:
      
郑宇教授，微软亚洲研究院

活动具体流程（13：30-17：10）：
特邀报告（共五个，每个30分钟报告时间，5分钟提问）

报告题目1：数据科学和人工智能 (13：30-14：15)

报告人：杨强教授，香港科技大学计算机科学与工程系主任、KDD China主席
摘要：大数据的本质是价值。人工智能为大数据价值的提取提供了很好的工具。 本讲座将通过实例，讲述如何通过大数据和数据挖掘来获得知识，从而更好地应用于不同的垂直领域。
简介：杨强，ACM数据挖掘中国分会（KDD China）主席，香港科技大学计算机系主任，大学冠名讲座教授。他是国际人工智能协会（AAAI）的首个华人Fellow和IEEE等国际协会的Fellow，ACM杰出科学家。主要研究兴趣包括人工智能和数据挖掘，大数据，迁移学习与智能推荐。他指导的团队曾经赢得了ACM KDDCUP，诺基亚移动大赛等国际数据挖掘大赛的冠军。他是国际人工智能协会（IJCAI)的理事，中国人工智能协会常务理事，以及2015年国际人工智能大会（IJCAI 2015）的程序主席，系ACM Transactions on Intelligent Systems and Technology 和 IEEE Transactions on Big Data 的创刊主编，清华大学出版社出版的《学术研究，你的成功之路》一书的共同作者。于2012-2014年任华为诺亚方舟实验室创始主任, 现任微信-香港科技大学人工智能联合实验室主任等。

报告题目2： 移动时代的搜索 (14：15-14：55)

报告人：沈抖博士，百度公司网页搜索部高级总监、KDD China副主席
摘要：搜索是数据挖掘相关技术应用最密集的互联网产品之一。从PC到移动，设别发生了巨大变化，用户使用搜索的行为也有很大迁移。如何应对这些变化并提供更好的搜索体验，是各个搜索引擎面临的巨大挑战。在这个报告中，我们会以最大的中文搜索引擎为例，探讨移动搜索的进展和机遇，并重点讨论数据挖掘技术在搜索中发挥的作用。
简介：沈抖博士，ACM数据挖掘中国分会（KDD China）副主席，现任百度公司网页搜索部高级总监，入选“北京市海外高层次人才”，被聘为“北京市特聘专家”，在数据挖掘、信息检索、自然语言处理、人工智能、大数据等领域的多个国际顶级会议（SIGKDD、SIGIR、WWW、AAAI、IJCAI）和期刊（JMLR、TKDD、TOIS、TKDE、CACM）中担任主席、组委、评委、编委，先后发表了40余篇学术论文。

报告题目3：城市计算与大数据 (14：55-15：35)

报告人：郑宇教授 微软亚洲研究院主管研究员、KDD China秘书长
摘要：城市计算是计算机科学以城市为背景，跟城市规划、交通、能源、环境、社会学和经济等学科融合的新兴领域。城市计算通过不断获取、整合和分析城市中不同领域的大数据来解决城市所面临的挑战。本报告将概述城市计算的定义、框架和主要研究问题，以典型应用为案例着重介绍大数据中跨域数据的融合和协同计算技术。具体案例包括基于大数据的细粒度空气质量分析和预测、城市油耗和汽车尾气排放评估，以及城市住房价值分级和评估等。相关技术发表在KDD等顶尖国际会议和期刊上，并在实际系统中部署应用。更多信息可参看城市计算主页：
简介：郑宇（博士、教授、博导），ACM数据挖掘中国分会（KDD China）秘书长，微软亚洲研究院主管研究员、“城市计算”领域负责人，上海交通大学讲座教授、香港科技大学和香港理工大学客座教授；ACM Transactions on Intelligent Systems and Technology主编；担任过ICDE2014程序委员会主席和ICDM2015领域主席等10余次会议主席职务；在APEC2014 Smart City Forum、IE2014等10几个国际会议上做过大会主题报告；以主作者身份发表国际顶尖论文50余篇（近5年被引7900多次，2015年论文单年被引用2200余次，H-Index: 43）；在ICDE2013和ACM SIGSPATIAL2010等知名国际会议上5次获得最佳论文奖；专著《Computing with Spatial Trajectories》被Springer评为（全球华人撰写的）最受欢迎的十本计算机类书籍之一；2013年全球杰出青年创新者（TR35）--《MIT科技评论评》；2013年现代创新者代表 --《时代》周刊；2014年中国40位40岁以下商界精英 -- 美国《财富》
 

休息：15：35-15:50

报告题目4：大数据和人工智能在蚂蚁金服 (15：50-16：30)

报告人：漆远博士，蚂蚁金融服务集团的副总裁及首席数据科学家、KDD China委员
摘要：蚂蚁金服的海量高价值数据为人工智能的技术发展和商业价值体现提供了坚实的基础。在这个报告中，我会介绍蚂蚁金服在基于大数据的人工智能方向上的一些最新进展，包括超大规模机器学习和深度学习，并讨论他们在客服，微贷和信用等业务的应用。
简介：漆远博士为蚂蚁金融服务集团的副总裁及首席数据科学家。他的专业方向是大规模机器学习和贝叶斯推理。他是美国麻省理工媒体实验室博士，计算机与人工智能实验室博士后，普渡大学计算机科学系和统计系的终身教授。他曾访问MIT、剑桥大学、哥伦比亚大学、伦敦大学、杜克大学、SAMSI、布朗大学等多个高校和研究院的，受邀在各高校以及国际会议上发表众多演讲，并与IT、金融以及制药界研究者在机器学习以及数据分析问题上合作。 他是机器学习权威杂志Journal of Machine Learning Research的执行编辑以及机器学习会议ICML的领域主席，并获得微软牛顿研究奖和美国科学基金NSF Career奖。漆远博士是阿里巴巴与蚂蚁金服数据技术线负责人，目前致力于大规模机器学习和深度学习平台的建立及其在蚂蚁金服各项业务的应用。

报告题目5：Angel—分布式机器学习平台 (16：30-17：10)

报告人：蒋杰腾讯数据平台部总经理、KDD China委员
摘要：通过比较几个主流要大数据机器学习平台，实现高效的分布式机器学习平台,需要构建一个能同时支持机器学习算法设计和大规模数据处理的一体化大数据机器学习系统。研究设计高效、可扩展且易于使用的大数据机器学习系统面临诸多技术挑战。
简介：腾讯数据平台部总经理，腾讯T4大数据专家，863云计算课题腾讯主要负责人 ，CCF和广东省大数据专家委员会委员。拥有10年以上的大数据从业经验，之前在阿里巴巴工作5年，于2012年加入腾讯，负责腾讯分布式数据仓库、实时计算平台、精准推荐、信鸽、腾讯云分析等平台及产品的运营和研发工作，主要研究方向包括海量数据平台，人工智能和数据挖掘，分布式机器学习平台与智能推荐。

收费标准

4月20日前（含当日；以银行回单汇出时间为准）注册：全额代表1600元/人，会员/学生代表1280元/人，陪同人员600元/人；

4月20日后注册：全额代表1900元/人，会员/学生代表1520元/人，陪同人员600元/人。

【注】:
a）全额代表、会员/学生代表注册费包含5月20-22日的中、晚餐（含一次宴会）、进入会场的权利、会议资料、合影留念等；陪同人员的注册费只包含5月20-22日的中、晚餐（含一次宴会）；
b）论文版面费由各期刊单独收取；
c）会员代表是指：中国计算机学会会员、中国人工智能学会会员、ACM数据挖掘中国分会会员；学生代表是指：全日制在校本科生、硕士生和博士生，不含在职研究生和博士后；陪同人员是指陪同全额代表、会员代表或者学生代表参会的人员。