8月29日，數據管理與數據庫領域國際學術會議VLDB 2024公布了論文獲獎名單，我院魏哲巍教授、張驍助理教授與復旦大學黃增峰教授、阿里巴巴集團李飛飛博士合作的論文“Optimal Matrix Sketching over Sliding Windows”獲得了最佳論文提名獎（Best Research Paper Nominations）。魏哲巍教授擔任本文通訊作者，其與張驍助理教授指導的碩士生尹涵燕、博士生文東勰和李家郡為學生作者。VLDB（International Conference on Very Large Data Bases）會議是數據管理與數據庫領域的三大國際頂尖學術會議之一，被中國計算機學會（CCF）推薦為A類國際會議。VLDB 2024會議于2024年8月26-30日在廣州召開。
論文介紹：
流數據上的矩陣略圖算法的優化及其在在線機器學習領域的應用獲得了越來越多的關注，本文關注流數據挖掘和學習領域的開放性難題——“在滑動窗口數據流上以 ε 的誤差近似一個 N×d 的矩陣最少需要多大的空間？”。該工作證明了任何確定性算法的空間復雜度都至少為 Ω(d/ε) 的下界，并提出了達到該最優空間復雜度下界的確定性算法。 此前，漸進空間復雜度最低的滑動窗口上的矩陣略圖算法是魏哲巍教授課題組、阿里巴巴李飛飛博士等合作于發表在SIGMOD 2016上的論文Matrix Sketching Over Sliding Windows上提出的：以 ε 的誤差近似一個 N×d 的矩陣需要 O(d/ε?log(1/ε)) 的空間。由于該工作僅僅研究了如何將流數據場景下的最優矩陣略圖確定性算法Frequent Directions與通用滑動窗口算法框架相結合，且這些框架通常需要帶來額外的空間開銷，使得該算法的空間復雜度與最優界 Ω(d/ε) 之間相差一個系數項 log(1/ε) 。
繼該工作之后，經過8年仔細探索Frequent Directions算法在滑動窗口場景下的理論，論文原課題組師生終于完成了對最優界的攻關，并設計了可以達到該最優界的算法實例，且該算法的實現同樣簡單。在實驗中，論文作者在多個合成與真實場景數據流上進行了大量實驗，實驗結果顯示，該工作提出的算法的空間開銷均優于基線算法，從理論和實驗兩方面證實了我們算法的正確性和有效性。該工作為滑動窗口上的矩陣略圖應用于的在線學習算法的優化提供了更高效的算法實現。
此外，學院師生近期還有多篇論文獲獎。
徐君教授團隊論文“A Taxation Perspective for Fair Re-ranking”獲信息檢索領域國際學術會議SIGIR 2024長文最佳論文提名獎（Best Paper Honorable Mention Award）；團隊短文“ReCODE: Modeling Repeat Consumption with Neural ODE”獲最佳短文提名（Best Short Paper Nominees）。
毛佳昕副教授參與的長文“Scaling Laws for Dense Retrieval”被評為SIGIR 2024 最佳論文獎（Best Paper Award）；毛佳昕副教授作為通訊作者的演示論文“CoSearchAgent: A Lightweight Collaborative Search Agent with Large Language Models”獲最佳短文提名（Best Short Paper Nominees）。