Tsinghua University（清华大学）

Hop: Heterogeneity-Aware Decentralized Training

Hop：异质性感知的去中心化训练

Qinyi Luo, Jinkun Lin, Youwei Zhuo, Xuehai Qian

机构 * University of Southern California（南加州大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出Hop，首个考虑异质性的去中心化训练协议，通过引入迭代间隙这一独特特性，提出基于队列的同步机制以实现备份工作者和有限滞后，同时通过跳过迭代来缓解确定性延迟，实验表明在异质环境中相比标准去中心化训练有显著加速。

Whole Brain Susceptibility Mapping Using Harmonic Incompatibility Removal

利用谐波不兼容性去除的全脑susceptibility映射

Chenglong Bao, Jae Kyu Choi, Bin Dong

机构 * Yau Mathematical Sciences Center, Tsinghua University（清华大学尤拉数学科学中心） ； School of Mathematical Sciences, Tongji University（同济大学数学科学学院） 纠错

AI总结 本文提出了一种基于正则化的susceptibility重建模型，通过引入基于稀疏性的正则化项来处理谐波不兼容性，以提高全脑susceptibility映射的性能。

Comments Accepted for publication in SIAM Journal on Imaging Sciences

Optimal Vehicle Dispatching Schemes via Dynamic Pricing

通过动态定价实现最优车辆调度方案

Mengjing Chen, Weiran Shen, Pingzhong Tang, Song Zuo

机构 * IIIS, Tsinghua University（清华大学信息科学与技术学院） 纠错

AI总结 本文通过经济方法解决网约车平台在地理和时间信息下的最优定价和车辆调度问题，提出高效算法计算最优随机定价方案，并通过实验证明其优于固定定价和涨价机制。

SVM via Saddle Point Optimization: New Bounds and Distributed Algorithms

通过鞍点优化实现SVM：新的界和分布式算法

Yifei Jin, Lingxiao Huang, Jian Li

机构 * Tsinghua University（清华大学） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 本文提出基于鞍点优化的新算法，为硬边距SVM和ν-SVM提供近线性时间复杂度的解决方案，并在分布式环境下实现高效通信。

Single-Pass PCA of Large High-Dimensional Data

大规模高维数据的单次PCA处理

Wenjian Yu, Yu Gu, Jian Li, Shenghua Liu, Yaohang Li

机构 * Department of Computer Science（计算机科学系） ； Tsinghua National Lab of Information Science and Technology（清华大学信息科学与技术国家实验室） ； Tsinghua University（清华大学） ； Institute for Interdisciplinary Information Sciences（交叉信息科学与工程研究院） ； Department of Electronic Engineering（电子工程系） ； Institute of Computing Technology（计算技术研究所） ； Chinese Academy of Sciences（中国科学院） ； Old Dominion University（老 Dominion 大学） 纠错

AI总结 本文提出一种单次随机算法实现大规模高维数据的PCA，适用于存储在慢速存储器或流式生成的数据，实验验证其准确性，比现有算法误差小多个数量级，可在24分钟内计算50个主成分。

Comments IJCAI 2017, 16 pages, 6 figures

Relaxed Sparse Eigenvalue Conditions for Sparse Estimation via Non-convex Regularized Regression

松弛的稀疏特征值条件用于非凸正则化回归中的稀疏估计

Zheng Pan, Changshui Zhang

机构 * Department of Automation, Tsinghua University, Beijing 100084, P.R.China（自动化系，清华大学，北京100084，中国） ； State Key Lab of Intelligent Technologies and Systems（智能技术与系统国家重点实验室） ； Tsinghua National Laboratory for Information Science and Technology(TNList)（信息科学与技术国家实验室（清华大学）） 纠错

AI总结 本文研究了非凸正则化回归中稀疏估计的松弛特征值条件，证明了非凸正则化在稀疏估计中的有效性，并展示了坐标下降法在获得近似全局解中的应用。