Αγαπητοί συνάδελφοι,
στο πλαίσιο του έργου LangTERRA (Enhancing the research potential of ILSP/"Athena" RIC in Language Technology in the European Research ERA), δύο προσκεκλημένοι ερευνητές από το Austrian Research Institute for Artificial Intelligence (Βιέννη) θα παρουσιάσουν την τρέχουσα ερευνητική τους εργασία σε δύο ξεχωριστές ομιλίες που θα δοθούν στις 4 και 5 Ιουνίου στην αίθουσα Zampolli του Ερευνητικού Κέντρου "Αθηνά" (με ζωντάνη μετάδοση μέσω διαδικτύου από τη διεύθυνση
http://www.ustream.tv/channel/athenarc).
Η περίληψη κάθε ομιλίας, τα βιογραφικά των ομιλητών και ο τόπος διεξαγωγής είναι διαθέσιμα από τη σελίδα
http://www.athena-innovation.gr/el/announce/events.html
Φιλικά
Τμήμα Ενημέρωσης και Υποστήριξης Καινοτομίας
Ερευνητικό Κέντρο Αθηνά
Αρτέμιδος 6 & Επιδαύρου, 15125, Μαρούσι
Τ. 2106875324
E.
info@athena-innovation.gr
🔆
----------------------------------
Title: How to reduce hubness in high dimensional data spaces
Arthur Flexer, 4/6/2013
Summary: Due to a general problem of measuring distances in high dimensional data spaces, hub objects emerge which tend to be among the k nearest neighbours of a large number of data items. This is a novel aspect of the 'curse of dimensionality' which adversely affects classification and identification performance. We discuss the phenomenon in the context of audio based music recommendation, speaker verification and general machine learning. In particular we show how local and global scaling of distance spaces can decisively improve the hubness situation.
Short CV: Arthur Flexer works on enabling computers to listen to music. Therefore his research interests include machine learning, pattern recognition, and intelligent music processing. He is a senior researcher and project manager at the Intelligent Music Processing and Machine Learning Group at the Austrian Research Institute for Artificial Intelligence in Vienna. Flexer has a PhD in psychology from the University of Vienna and is author and co-author of more than fifty scientific publications.
