Vasanta Honavara

Vasanta Honavara
Narodowość  USA
Alma Mater

BMS Instytut Technologii i Zarządzania , Uniwersytet Wisconsin Drexel University B.MS College of Engineering
Nagrody Członek AAAS
Kariera naukowa
Pola Informatyka , Sztuczna inteligencja , Uczenie maszynowe , Data Science , Bioinformatyka , Big data , Wnioskowanie przyczynowe , Informatyka , Reprezentacja wiedzy , Biologia obliczeniowa , Kognitywistyka , Informatyka zdrowotna , Neuroinformatyka , Nauka o sieciach , Informatyka biomedyczna
Instytucje

Iowa State University National Science Foundation Pennsylvania State University
Doradca doktorski Leonard Uhr
Wpływy


Leonard Uhr Larry Travis Deborah Joseph Helen M. Berman

Vasant G. Honavar jest amerykańskim informatykiem urodzonym w Indiach , a także badaczem i profesorem sztucznej inteligencji , uczenia maszynowego , dużych zbiorów danych , nauki o danych , wnioskowania przyczynowego , reprezentacji wiedzy , bioinformatyki i informatyki zdrowotnej .

Wczesne życie i edukacja

Vasant Honavar urodził się w Poona w Indiach jako syn Bhavaniego G. i Gajanana N. Honavara. Otrzymał wczesną edukację w Vidya Vardhaka Sangha High School i MES College w Bangalore w Indiach . Otrzymał tytuł licencjata w dziedzinie inżynierii elektroniki i komunikacji z BMS College of Engineering w Bangalore w Indiach w 1982 r., kiedy to był powiązany z Uniwersytetem w Bangalore , a tytuł magistra inżynierii elektrycznej i komputerowej uzyskał w 1984 r. na Uniwersytecie Drexel i tytuł magistra informatyki w 1989 r. oraz doktorat. w 1990 odpowiednio z University of Wisconsin-Madison , gdzie studiował sztuczną inteligencję i pracował z Leonardem Uhrem .

Kariera

Honavar pracuje na wydziale Penn State College of Information Sciences and Technology na Pennsylvania State University , gdzie obecnie pełni funkcję Dorothy Foehr Huck i J. Lloyd Huck Chair in Biomedical Data Sciences and Artificial Intelligence, a wcześniej zajmował katedrę nauk informacyjnych Edward Frymoyer Endowed Chair in Information Sciences i technologia. Pracuje na wydziałach studiów podyplomowych z Informatyki , Informatyki , Bioinformatyki i Genomiki , Neuronauki , Badań Operacyjnych , nauki o zdrowiu publicznym oraz program studiów licencjackich w dziedzinie nauki o danych . Honavar jest dyrektorem Sztucznej Inteligencji , zastępcą dyrektora Instytutu Nauk Obliczeniowych i Danych oraz dyrektorem Centrum Podstaw Sztucznej Inteligencji i Zastosowań Naukowych na Pennsylvania State University . Honavar jest członkiem zespołu kierowniczego Northeast Big Data Innovation Hub. Honavar służył w Community Consortium Computing Research Association Rady w latach 2014-2017, gdzie przewodniczył grupie zadaniowej ds. konwergencji danych i informatyki oraz był członkiem grupy zadaniowej ds. sztucznej inteligencji.

Honavar był pierwszym Distinguished Visiting Chair of Neurocomputing and Data Science Sudha Murty w Indyjskim Instytucie Nauki w Bangalore w Indiach. Honavar został uznany za wybitnego członka Association for Computing Machinery za „wybitny wkład naukowy w informatykę”; i wybrany członkiem American Association for the Advancement of Science za „wybitny wkład w badania i przywództwo w dziedzinie nauki o danych”.

W latach 2010-13 Honavar kierował programem Big Data jako dyrektor programowy w programie integracji informacji i informatyki w dziale informacji i systemów inteligentnych w dyrekcji informatyki i informatyki oraz inżynierii amerykańskiej Narodowej Fundacji Nauki .

Honavar był profesorem informatyki na Uniwersytecie Stanowym Iowa, gdzie kierował Laboratorium Badań nad Sztuczną Inteligencją, które założył w 1990 r .

Honavar był profesorem wizytującym na Carnegie Mellon University , University of Wisconsin-Madison oraz w Indian Institute of Science .

Badania

Honavar wniósł znaczący wkład w badania w dziedzinie sztucznej inteligencji , uczenia maszynowego , wnioskowania przyczynowego , reprezentacji wiedzy , sieci neuronowych , sieci semantycznej , analizy dużych zbiorów danych oraz bioinformatyki i biologii obliczeniowej . Był przewodniczącym programowym Association for the Advancement of Artificial Intelligence (AAAI) 36th Conference on Artificial Intelligence. Opublikował ponad 300 artykułów naukowych, w tym wiele wysoko cytowanych, a także kilka książek na te tematy. Jego ostatnie prace koncentrowały się na federacyjnych algorytmach uczenia maszynowego do konstruowania modeli predykcyjnych z rozproszonych danych i połączonych otwartych danych , uczenia się modeli predykcyjnych na podstawie wielowymiarowych danych podłużnych, szacowania skutków przyczynowych na podstawie złożonych danych, wnioskowania z federacyjnymi bazami wiedzy, wykrywania błędów algorytmicznych, dużych zbiorów danych analityka, analiza i przewidywanie interfejsów i interakcji białko-białko, białko-RNA i białko-DNA, analityka sieci społecznościowych, informatyka zdrowotna , odpowiadanie na zapytania z zachowaniem tajemnicy, przedstawianie i rozumowanie preferencji oraz wnioskowanie przyczynowe i metaanaliza . [ potrzebne źródło ]

Honavar aktywnie wspiera krajową i międzynarodową współpracę naukową w dziedzinie sztucznej inteligencji, nauk o danych i ich zastosowań w realizacji krajowych, międzynarodowych i społecznych priorytetów w zakresie przyspieszania nauki, poprawy zdrowia, przekształcania rolnictwa poprzez partnerstwa, które łączą środowisko akademickie, organizacje non-profit, i przemysłu. Jest również aktywny w przedstawianiu argumentów polityki naukowej dla głównych krajowych inicjatyw badawczych, takich jak sztuczna inteligencja dla przyspieszenia nauki i sztuczna inteligencja dla zwalczania epidemii chorób rozpaczy .

Wybrane publikacje

Książki

  •   Vasanta Honavara i Leonarda Uhra . (red.) Sztuczna inteligencja i sieci neuronowe: kroki w kierunku integracji opartej na zasadach. Nowy Jork: prasa akademicka. 1994. ISBN 0-12-355055-6
  •   Vasant Honavar i Giora Słucki (red.). Wnioskowanie gramatyczne. Berlin: Springer-Verlag. 1998. ISBN 3-540-64776-7
  •   Mukesh Patel, Vasant Honavar i Karthik Balakrishnan (red.). Postępy w ewolucyjnej syntezie inteligentnych agentów. Cambridge, MA: MIT Press. 2001. ISBN 0-262-16201-6
  •   Ganesh Ram Santhanam, Samik Basu i Vasant Honavar. Reprezentowanie i rozumowanie z preferencjami jakościowymi: narzędzia i aplikacje . Wykład nr 31, Wykłady syntezy na temat sztucznej inteligencji i uczenia maszynowego. Wydawcy Morgan & Claypool. 2016. doi : 10.2200/S00689ED1V01Y201512AIM031 , ISBN 978-1-62705-839-1

Artykuły

Stanowiska na temat sztucznej inteligencji, nauk o danych i tematów pokrewnych

  • Barocas, S., Bradley, E., Honavar, V. i Provost, F. (2017). Big Data, nauka o danych i prawa obywatelskie. Konsorcjum społeczności komputerowych. arXiv preprint arxiv:1706.03102.
  • Hager, G., Bryant, R., Horvitz, E., Mataric, M. i Honavar, V. (2017). Postępy w sztucznej inteligencji wymagają postępu w całej informatyce. Konsorcjum społeczności komputerowych. arXiv preprint arXiv:1707.04352
  • Honavar, V., Yelick, K., Nahrstedt, K., Rushmeier, H., Rexford, J., Hill, Mark., Bradley, E. i Mynatt, E. (2017). Zaawansowana infrastruktura cybernetyczna dla nauki, inżynierii i polityki publicznej. Konsorcjum społeczności komputerowych. arXiv preprint arXiv:1707.00599.
  • Honavar, V., Hill, M. Yelick, K. (2016). Accelerating Science: A Computing Research Agenda, Computing Community Consortium.
  • Honavar, V. (2014). Honavar, V. (2014). Obietnica i potencjał Big Data: sprawa dla Discovery Informatics Review of Policy Research 31:4 10.1111/ropr.12080.

Wnioskowania przyczynowego

  • Lee, S. i Honavar, V. (2020). W kierunku solidnego relacyjnego odkrycia przyczynowego. W: Materiały z trzydziestej piątej konferencji na temat niepewności w sztucznej inteligencji s. 345–355
  • Kandasamy, S., Bhattacharyya, A. i Honavar, V. (2019). Minimalne pokrycie interwencji wykresu przyczynowego. W: Materiały z 33. konferencji AAAI na temat sztucznej inteligencji (AAAI-19).
  • Khademi, A., Lee, S., Foley, D. i Honavar, V. (2019). Uczciwość w algorytmicznym podejmowaniu decyzji: wstępna wycieczka przez pryzmat przyczynowości. W: Proceedings of the Web Conference.
  • Lee, S. i Honavar, V. (2017). Warunkowy test niezależności samorozbieżności. W: Konferencja na temat niepewności w sztucznej inteligencji (UAI-17).
  • Lee, S. i Honavar, V. (2017). Test niezależności jądra dla danych relacyjnych. W: Konferencja na temat niepewności w sztucznej inteligencji (UAI-17).
  • Bui, N., Yen, J. i Honavar, V. (2016). Analiza przyczynowości czasowej zmiany nastrojów w sieci osób, które przeżyły raka. Transakcje IEEE w obliczeniowych systemach społecznych. doi : 10.1109/TCSS.2016.2591880
  • Lee, S. i Honavar, V. (2016). Charakterystyka klas równoważności Markowa relacyjnych modeli przyczynowych w ramach semantyki ścieżki. W: Proceedings of the Conference on Uncertainty in Artificial Intelligence (UAI-16).
  • Lee, S. i Honavar, V. (2016). O uczeniu się modeli przyczynowych z danych relacyjnych. W: Materiały z trzydziestej konferencji AAAI na temat sztucznej inteligencji (AAAI-16).
  • Bui, N., Yen, J. i Honavar, V. (2015). Czasowa przyczynowość wsparcia społecznego w społeczności internetowej dla osób, które przeżyły raka W: Międzynarodowa konferencja na temat komputerów społecznościowych, modelowania behawioralno-kulturowego i przewidywania (SBP15). Springer-Verlag Notatki z wykładów z informatyki, tom. 9021, s. 13–23.
  • Lee, S. i Honavar, V. (2015). Podniesiona reprezentacja relacyjnych modeli przyczynowych Revisited: Implikacje dla rozumowania i uczenia się struktury W: Workshop on Advances in Causal Inference, Conference on Uncertainty in Artificial Intelligence, 2015.
  • Bareinboim, E., Lee, S., Honavar, V. i Pearl, J. (2013). Możliwość przenoszenia z wielu środowisk przy ograniczonych eksperymentach. W: Postępy w neuronowych systemach informacyjnych (NIPS) 2013. s. 136–144.
  • Lee, S. i Honavar, V. (2013). Możliwość przenoszenia skutku przyczynowego z wielu środowisk. W: Proceedings of the 27th Conference on Artificial Intelligence (AAAI 2013).
  • Lee, S. i Honavar, V. (2013). Przenośność przyczynowa eksperymentów na kontrolowanych podzbiorach zmiennych: przenośność z. W: Materiały z 29. konferencji na temat niepewności w sztucznej inteligencji (UAI 2013).

Uczenie maszynowe, sieci neuronowe i uczenie głębokie

  • Liang, J., Wu, Y., Yu, D. i Honavar, V. (2021). Regresja procesu gaussowskiego wzdłużnego głębokiego jądra w: Materiały z 35. Konferencji AAAI na temat sztucznej inteligencji. s. 8556-8564
  • Hsieh, TY., Sun, Y., Wang, S. i Honavar, V. (2021). Funkcjonalne autoenkodery do uczenia się funkcjonalnej reprezentacji danych . W: Proceedings of the SIAM Conference on Data Mining. s. 666 - 674
  • Hsieh, TY., Sun, Y., Tang, X., Wang, S. i Honavar, V. (2021). SrVARM: State Regularized Vector Autoregressive Model for Joint Learning ukrytych przejść stanu i zależnych od stanu zależności między zmiennymi z danych szeregów czasowych w: Proceedings of the Web Conference. s. 2270–2280
  • Hsieh, TY., Sun, Y., Wang, Sm and Honavar, V. (2021). Wyjaśnialna wielowymiarowa klasyfikacja szeregów czasowych: głęboka sieć neuronowa, która uczy się uwzględniać ważne zmienne, a także informacyjne przedziały czasowe. W: Proceedings of the 14. International Conference on Web Search and Data Mining. s. 607-615
  • Liang, J., Xu, D., Sun, Y. i Honavar, V. (2020). LMLFM: podłużna wielopoziomowa maszyna faktoryzacyjna. AAAI 2020: s. 4811–4818
  • Le. T. i Honavar, V. (2020). Dynamiczny model utajonej zmiennej procesu Gaussa do uczenia się reprezentacji na podstawie podłużnych postępowań danych konferencji ACM-IMS 2020 na temat podstaw nauki o danych październik 2020 r. Strony 183–188. Dynamiczny model zmiennej latentnej procesu Gaussa do uczenia się reprezentacji na podstawie danych podłużnych
  • Sun, Y., Wang, S., Tang, X., Hsieh, TY. i Honavar, V. (2020). Wrogie ataki na grafowe sieci neuronowe poprzez iniekcje węzłów: hierarchiczne podejście do uczenia się ze wzmocnieniem . Materiały z konferencji internetowej 2020 (WWW '20), s. 673-683.
  • Sun, Y., Tang, X., Hsieh, TY., Wang, S. i Honavar, V. (2019). MEGAN: generatywny algorytm sieci przeciwstawnej do osadzania sieci z wieloma widokami . W: Proceedings of the 28th International Joint Conference on Artificial Intelligence (IJCAI-2019). s. 3527-3533
  • Hsieh, TY, Sun, Y., Wang, S. i Honavar, V. (2019). Adaptacyjna współregulacja strukturalna dla nienadzorowanego wyboru funkcji z wielu widoków . W: Proceedings of the IEEE International Conference on Big Knowledge (ICBK-2019). DOI 10.1109/ICBK.2019.00020
  • Zhou, Y., Sun, Y. i Honavar, V. (2019). Ulepszanie podpisów obrazów dzięki wykorzystaniu wykresów wiedzy. Zimowa konferencja IEEE na temat zastosowań wizji komputerowej.
  • Hsieh, TY., El-Manzalawy, Y., Sun, Y. i Honavar, V (2018). Kompozycyjny stochastyczny średni gradient dla uczenia maszynowego i powiązanych aplikacji . W: Materiały z 19. Międzynarodowej Konferencji Inteligentnej Inżynierii Danych i Automatycznego Uczenia się. s. 740-752.
  • Sun, Y., Bui, N., Hsieh, TY. i Honavar, V. (2018). Osadzanie sieci z wieloma widokami za pomocą klastrów opartych na faktoryzacji grafów i współuregulowanej umowy z wieloma widokami . Międzynarodowe warsztaty IEEE ICDM na temat analizy wykresów. DOI: 10.1109/ICDMW.2018.00145
  • Liang, J., Hu, J., Dong, S. i Honavar, V. (2018). Top-N-Rank: skrócone podejście do rankingu opartego na listach dla rekomendacji Top-N na dużą skalę . W: Materiały z Międzynarodowej Konferencji IEEE na temat Big Data. DOI: 10.1109/BigData.2018.8621994
  • Hu, J., Liang, J., Kuang, Y. i Honavar, V. (2018). Oparta na podobieństwach metoda rekomendacji Top-N dla reklam mobilnych w aplikacjach . Systemy eksperckie z aplikacjami. Tom. 111. s. 51–60.
  • Bui, N., Le, T. i Honavar, V. (2016). Etykietowanie aktorów w sieciach społecznościowych z wieloma widokami poprzez integrację informacji z wielu widoków i z wielu widoków . W: Proceedings of the IEEE Conference on Big Data.
  • Lin, H., Bui, N. i Honavar, V. (2015). Nauka klasyfikatorów ze zdalnych magazynów danych RDF rozszerzona o hierarchie podklas RDFS. W: 2nd International Workshop on High Performance Big Graph Data Management, Analysis, and Mining (BigGraph 2015), The IEEE International Conference on Big Data.
  • Bui, N. i Honavar, V. (2014). Etykietowanie aktorów w sieciach społecznościowych za pomocą heterogenicznego jądra grafu. W: Międzynarodowa konferencja na temat komputerów społecznościowych, modelowania behawioralno-kulturowego i przewidywania (SBP14). s. 27–34.
  • Lin, H. i Honavar, V. (2013). Uczenie się klasyfikatorów z łańcuchów wielu połączonych magazynów danych RDF. W: Kongres Big Data IEEE. Nagroda za najlepszą pracę studencką.
  • Lin, H., Lee, S., Bui, N. i Honavar, V. (2013). Uczenie się klasyfikatorów z danych dystrybucyjnych. W: Kongres Big Data IEEE.
  • Bui, N. i Honavar, V. (2013). O użyteczności abstrakcji w etykietowaniu aktorów w sieciach społecznościowych. W: Międzynarodowa konferencja IEEE/ACM 2013 na temat postępów w analizie i eksploracji sieci społecznościowych.
  • Silvescu, A. i Honavar, V. (2013). Abstrakcja Superstrukturyzacja postaci normalnych: w kierunku teorii indukcji strukturalnej . W: Prawdopodobieństwo algorytmiczne i przyjaciele. Przewidywanie bayesowskie i sztuczna inteligencja (s. 339–350). Springer Berlin Heidelberg.
  • Tu, K. i Honavar, V. (2012). Regularyzacja jednoznaczności dla nienadzorowanego uczenia się gramatyk probabilistycznych. W: Proceedings of EMNLP-CoNLL 2012 : Konferencja na temat metod empirycznych w przetwarzaniu języka naturalnego i obliczeniowej nauce języka naturalnego. s. 1324–1334.
  • Lin, H., Koul, N. i Honavar, V. (2011). Nauka relacyjnych klasyfikatorów bayesowskich z danych RDF. W: Proceedings of the International Semantic Web Conference (ISWC 2011). Springer-Verlag Notatki z wykładów z informatyki, tom. 7031 s. 389–404.
  • Tu, K. i Honavar, V. (2011). O przydatności programów nauczania w nienadzorowanej nauce gramatyk. W: Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence (IJCAI 2011) s. 1523–1528.
  • Tu, K., Ouyang, X., Han, D., Yu, Y. i Honavar, V. (2011). Oparta na przykładach solidna, spójna klastryzacja. W: Proceedings of the SIAM Conference on Data Mining (SDM 2011). s. 884–895.
  • Yakhnenko, O. i Honavar, V. (2011). Uczenie się z wieloma instancjami i wieloma etykietami w celu klasyfikacji obrazów z dużymi słownikami. W: Proceedings of the British Machine Vision Conference.
  • Caragea, C., Silvescu, A., Caragea, D. i Honavar, V. (2010). Modele Markowa z rozszerzoną abstrakcją. W: Proceedings of the IEEE Conference on Data Mining (ICDM 2010). IEEE Naciśnij. s. 68–77.
  • Koul, N. i Honavar, V. (2010). Uczenie się w obecności błędów mapowania ontologii. W: Proceedings of the IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology. s. 291–296. ACM Press.
  • Bromberg, F., Margaritis, D. i Honavar, V. (2009). Wydajne wykrywanie struktury sieci Markowa na podstawie testów niezależności. Dziennik badań nad sztuczną inteligencją . Tom. 35. s. 449–485.
  • El-Manzalawi, Y. i Honavar, V. (2009). MICCLLR: Uczenie się wielu instancji przy użyciu ilorazu wiarygodności dziennika warunkowego klasy. W: Proceedings of the 12th International Conference on Discovery Science (DS 2009). Springer-Verlag Notatki z wykładów z informatyki, tom. 5808, s. 80–91, Berlin: Springer.
  • Silvescu, A., Caragea, C. i Honavar, V. (2009). Łączenie superstrukturyzacji i abstrakcji w klasyfikacji sekwencji. Konferencja IEEE na temat eksploracji danych (ICDM 2009).
  • Yakhnenko, O. i Honavar, V. (2009). Multimodalny hierarchiczny model procesu Dirichleta do przewidywania adnotacji obrazu i zgodności etykiet obrazu z obiektem. W: Proceedings of the SIAM Conference on Data Mining, SIAM. s. 281–294
  • Tu, K. i Honavar, V. (2008). Nienadzorowane uczenie się probabilistycznej gramatyki bezkontekstowej przy użyciu iteracyjnego biclusteringu. . W: Międzynarodowe Kolokwium na temat wnioskowania gramatycznego (ICGI-2008). Springer-Verlag Notatki z wykładów z informatyki, tom. 5278 s. 224–237.
  • Yakhnenko, O. i Honavar, V. (2008). Opisywanie obrazów i obiektów obrazów przy użyciu hierarchicznego modelu procesu Dirichleta. 9th International Workshop on Multimedia Data Mining (SIGKDD MDM 2008), Las Vegas, ACM.
  •    Zhang, J.; Kang, Dania; Silvescu, A.; Honavar, V. (2006). „Uczenie się dokładnych i zwięzłych naiwnych klasyfikatorów Bayesa z taksonomii wartości atrybutów i danych” . Wiedza i systemy informacyjne . 9 (2): 157–179. doi : 10.1007/s10115-005-0211-z . PMC 2846370 . PMID 20351793 .
  • Caragea, D., Zhang, J., Bao, J., Pathak, J. i Honavar, V. (2005). Algorytmy i oprogramowanie do wspólnego odkrywania z autonomicznych, semantycznie heterogenicznych źródeł informacji (artykuł na zaproszenie). Materiały z 16. Międzynarodowej Konferencji Algorytmicznej Teorii Uczenia się. Notatki z wykładów z informatyki, Singapur, Berlin: Springer-Verlag. Tom. 3734. s. 13–44
  • J. Zhang, D. Caragea i V. Honavar. Uczenie się klasyfikatorów świadomych ontologii. Materiały z 8. Międzynarodowej Konferencji Discovery Science. Springer-Verlag Notatki z wykładów z informatyki, Singapur, Berlin: Springer-Verlag. Tom. 3735. s. 308–321, 2005.
  • Yakhnenko, O., Silvescu, A. i Honavar, V. (2005) Wytrenowany dyskryminacyjnie model Markowa do klasyfikacji sekwencji. Konferencja IEEE na temat eksploracji danych (ICDM 2005), Houston, Teksas, IEEE Press
  • Kang, DK., Zhang, J., Silvescu, A. i Honavar, V. (2005) Abstrakcja oparta na wielomianowym modelu zdarzeń do klasyfikacji sekwencji i tekstu. Proceedings of the Symposium on Abstraction, Reformulation and Approximation (SARA 2005), Edynburg, Wielka Brytania, Berlin: Springer-Verlag. Tom. 3607. s. 134–148.
  • Wu. F., Zhang, J. i Honavar, V. (2005) Nauka klasyfikatorów przy użyciu taksonomii klas o strukturze hierarchicznej. Proceedings of the Symposium on Abstraction, Reformulation and Approximation (SARA 2005), Edynburg, Berlin, Springer-Verlag. Tom. 3607. s. 313–320.
  •    Caragea, D.; Silvescu, A.; Honavar, V. (2004). „Ramy do uczenia się na podstawie rozproszonych danych przy użyciu wystarczających statystyk i ich zastosowania do uczenia się drzew decyzyjnych” . International Journal of Hybrid Intelligent Systems . 1 (2): 80–89. doi : 10.3233/HIS-2004-11-210 . PMC 2846376 . PMID 20351798 .
  • Kang, DK., Silvescu, A., Zhang, J. i Honavar, V. Generowanie taksonomii wartości atrybutów na podstawie danych w celu dokładnej i kompaktowej konstrukcji klasyfikatora. Międzynarodowa konferencja IEEE na temat eksploracji danych, IEEE Press. s. 130–137, 2004.
  • R. Polikar, L. Udpa, S. Udpa i V. Honavar (2004). Przyrostowy algorytm uczenia się z oszacowaniem ufności do automatycznej identyfikacji sygnałów NDE. Transakcje IEEE dotyczące ultradźwięków, ferroelektryków i kontroli częstotliwości. Tom. 51. s. 990–1001, 2004.
  • Atramentov, A., Leiva, H. i Honavar, V. (2003). Algorytm uczenia się wielorelacyjnego drzewa decyzyjnego - implementacja i eksperymenty. W: Materiały z trzynastej międzynarodowej konferencji na temat programowania logiki indukcyjnej. Berlin: Springer-Verlag.
  • Zhang, J. i Honavar, V. (2003). Uczenie się klasyfikatorów drzew decyzyjnych z taksonomii wartości atrybutów i częściowo określonych danych. W: Proceedings of the International Conference on Machine Learning (ICML-03).
  • Zhang, J., Silvescu, A. i Honavar, V. (2002). Indukcja drzew decyzyjnych oparta na ontologii na wielu poziomach abstrakcji. W: Proceedings of Symposium on Abstraction, Reformulation and Approximation. Berlin: Springer-Verlag.
  • Polikar, R., Udpa, L., Udpa, S. i Honavar, V. (2001). Learn++: przyrostowy algorytm uczenia się dla wielowarstwowych sieci perceptronowych. Transakcje IEEE dotyczące systemów, człowieka i cybernetyki. Tom. 31, nr 4. s. 497–508.
  • Parekh, R. i Honavar, V. (2001). Uczenie się DFA na prostych przykładach. Nauczanie maszynowe. Tom. 44. s. 9–35.
  • Silvescu, A. i Honavar, V. (2001). Modele czasowych sieci boolowskich sieci genetycznych i ich wnioskowanie z szeregów czasowych ekspresji genów. Systemy złożone. Cz. 13. Nr 1. s. 54-.
  • Balakrishnan, K., Bousquet, O. i Honavar, V. (2000). Uczenie się przestrzenne i lokalizacja u zwierząt: model obliczeniowy i jego implikacje dla robotów mobilnych, zachowanie adaptacyjne. Tom. 7. nie. 2. s. 173–216.
  • Caragea, D., Silvescu, A. i Honavar, V. (2000). Agenci, którzy uczą się z rozproszonych dynamicznych źródeł danych. W: Proceedings of the ECML 2000/Agents 2000 Workshop on Learning Agents. Barcelona, ​​Hiszpania.
  • Parekh, R. i Honavar, V. (2000). O związkach między modelami uczenia się w pomocnych środowiskach. W: Materiały z V Międzynarodowej Konferencji na temat wnioskowania gramatycznego. Lizbona, Portugalia.
  • Parekh, R., Yang, J. i Honavar, V. (2000). Konstruktywne algorytmy uczenia się sieci neuronowych do wielokategoriowej klasyfikacji wzorców. Transakcje IEEE w sieciach neuronowych. Tom. 11. nr 2. s. 436–451.
  • Polikar, R., Udpa, L., Udpa, S. i Honavar, V. (2000). Learn++: przyrostowy algorytm uczenia się dla wielowarstwowych sieci perceptronowych. W: Proceedings of the IEEE Conference on Acoustics, Speech and Signal Processing (ICASSP) 2000. Stambuł, Turcja.
  • Yang, J., Parekh, R. i Honavar, V. (2000). Porównanie wydajności wariantów jednowarstwowych algorytmów perceptronu na nierozdzielnych danych. Obliczenia neuronowe, równoległe i naukowe. Tom. 8. s. 415–438.
  • Yang, J. i Honavar, V. (1999). DistAl: konstruktywny algorytm uczenia sieci neuronowej oparty na odległości między wzorcami .. Inteligentna analiza danych. Tom. 3. s. 55–73.
  • Parekh, R. i Honavar, V. (1999). Proste DFA są wielomianowo prawdopodobnie dokładnie możliwe do nauczenia się z prostych przykładów. W: Proceedings of the International Conference on Machine Learning. Bled, Słowenia.
  • Bousquet, O., Balakrishnan, K. i Honavar, V. (1998). Czy hipokamp jest filtrem Kalmana? W: Proceedings of the Pacific Symposium on Biocomputing. Singapur: świat naukowy. s. 655–666.
  • Parekh, R., Nichitiu, C. i Honavar, V. (1998). Wielomianowy algorytm przyrostowy w czasie do nauki DFA. W: Proceedings of the Fourth International Colloquium on Grammatical Inference (ICGI'98), Ames, IA. Notatki z wykładów z informatyki, tom. 1433 s. 37–49. Berlin: Springer-Verlag.
  • Yang, J. i Honavar, V. (1998). Wybór podzbioru cech za pomocą algorytmu genetycznego. Inteligentne systemy IEEE (wydanie specjalne dotyczące transformacji funkcji i wyboru podzbioru). tom. 13. s. 44–49.
  • Parekh, RG, Yang, J. i Honavar, V. (1997). MUPStart — konstruktywny algorytm uczenia się sieci neuronowych do klasyfikacji wzorców wielokategorii. W: Proceedings of the IEEE International Conference on Neural Networks (ICNN'97). Houston, Teksas. s. 1924–1929.
  • Parekh, RG, Yang, J. i Honavar, V. (1997). Strategie przycinania dla konstruktywnych algorytmów uczenia się sieci neuronowych. W: Proceedings of the IEEE International Conference on Neural Networks (ICNN'97). Houston, Teksas. s. 1960–1965. 9-12 czerwca 1997.
  • Parekh, RG i Honavar, V. (1997) Uczenie się DFA na podstawie prostych przykładów. W: Proceedings of the International Workshop on Algorithmic Learning Theory. (ALT 97). Sendai, Japonia. Notatki z wykładów z informatyki. Tom. 1316 s. 116–131.
  • Chen, CH., Parekh, R., Yang, J., Balakrishnan, K. i Honavar, V. (1995). Analiza granic decyzyjnych generowanych przez konstruktywne algorytmy uczenia sieci neuronowych. W: Proceedings of the World Congress on Neural Networks (WCNN'95). Waszyngton, DC 17–21 lipca 1995. s. 628–635.
  • Honavar, V.; Uhr, L. (1993). „Generatywne struktury uczenia się dla uogólnionych sieci koneksjonistycznych”. Nauki informacyjne . 70 (1–2): 75–108. doi : 10.1016/0020-0255(93)90049-r .
  • Honavar, V. (1992). Niektóre uprzedzenia dla efektywnego uczenia się wzorców przestrzennych, czasowych i czasoprzestrzennych. W: Proceedings of International Joint Conference on Neural Networks. Pekin, Chiny.

Reprezentacja wiedzy i sieć semantyczna

  •   Tao, J.; Słucki, G.; Honavar, V. (2015). „Ramy koncepcyjne dla rozumowania z zachowaniem tajemnicy w bazach wiedzy”. Transakcje ACM w logice obliczeniowej . 16 : 1–32. doi : 10.1145/2637477 . S2CID 11436585 .
  • Santhanam, GR, Basu, S. i Honavar, V. (2013) Weryfikacja preferencyjnej równoważności i subsumpcji poprzez sprawdzanie modeli. W Międzynarodowej Konferencji Algorytmicznej Teorii Decyzji (s. 324–335). Springer Berlin Heidelberg.
  • Tao, J., Slutzki, G. i Honavar, V. (2012). Algorytmy PSpace Tableau dla acyklicznego modalizowanego ALC. Dziennik automatycznego rozumowania . Tom. 49. s. 551–582
  • Santhanam, G.; Basu, S.; Honavar, V. (2011). „Reprezentowanie i rozumowanie z preferencjami jakościowymi dla systemów kompozycyjnych”. Dziennik badań nad sztuczną inteligencją . 42 : 211–274.
  • Santhanam, G., Suvorov, Y., Basu, S. i Honavar, V. (2011). Weryfikacja zasad interwencji w celu przeciwdziałania rozprzestrzenianiu się infekcji w sieciach: podejście do sprawdzania modelu. W: Materiały z dwudziestej piątej konferencji na temat sztucznej inteligencji (AAAI-2011). s. 1408–1414.
  • Sanghvi, B., Koul, N. i Honavar, V. (2010). Identyfikowanie i eliminowanie niespójności w odwzorowaniach w ontologiach hierarchicznych. W: Springer-Verlag Notatki z wykładów z informatyki, tom. 6427, s. 999–1008. Berlin: Springer.
  • Santhanam, G., Basu, S. i Honavar, V. (2010). Efektywne testowanie dominacji dla bezwarunkowych preferencji. W: Materiały z XII Międzynarodowej Konferencji Zasad Reprezentacji Wiedzy i Rozumowania (KR 2010). s. 590–592. AAAI Press.
  • Santhanam, G., Basu, S. i Honavar, V. (2010). Testowanie dominacji poprzez sprawdzanie modelu. W: Materiały z 24. konferencji AAAI na temat sztucznej inteligencji (AAAI-10). s. 357–362. AAAI Press.
  • Bao, J., Voutsadakis G., Slutzki, G. Honavar:, V. (2009). Logika opisu oparta na pakietach. W: Ontologie modułowe: koncepcje, teorie i techniki modularyzacji wiedzy. Notatki z wykładów z informatyki, tom. 5445, s. 349–371
  • Bao, J., Voutsadakis, G., Slutzki, G. i Honavar, V. (2008). O rozstrzygalności odwzorowań ról między ontologiami modułowymi. W: Proceedings of the 23nd Conference on Artificial Intelligence (AAAI-2008), Menlo Park, CA: AAAI Press, s. 400–405
  • Bao, J., Slutzki, G. i Honavar, V. (2007). Podejście do importu semantycznego do ponownego wykorzystania wiedzy z wielu ontologii. W: Materiały z 22. Konferencji na temat Sztucznej Inteligencji (AAAI-2007). Vancouver, Kanada. Podejście do importu semantycznego do ponownego wykorzystania wiedzy z wielu ontologii. s. 1304–1309. AAAI Press.
  • Bao, J., Slutzki, G. i Honavar, V. (2007). Rozumowanie chroniące prywatność w sieci semantycznej . Konferencja IEEE/WIC/ACM na temat inteligencji internetowej. IEEE. s. 791–797
  • Bao, J., Caragea, D. i Honavar, V. (2006). O semantyce łączenia i importowania w ontologiach modułowych. W: Proceedings of the International Semantic Web Conference (ISWC 2006), Lecture Notes in Computer Science, Berlin: Springer. Notatki z wykładów z informatyki, tom. 4273, s. 72–86.
  • Bao, J., Caragea, D. i Honavar, V. (2006). Algorytm wnioskowania federacyjnego oparty na Tableau dla ontologii modułowych. W: Proceedings of the ACM/IEEE/WIC Conference on Web Intelligence. IEEE Naciśnij. s. 404–410.
  • Bao, J., Caragea, D. i Honavar, V. Rozproszony algorytm Tableau dla logiki opisu opartej na pakietach. Proceedings of the Second International Workshop on Context Representation and Reasoning (CRR 2006), Riva del Garda, Włochy, CEUR. 2006.
  • J. Bao, D. Caragea i V. Honavar. Ontologie modułowe – formalne badanie semantyki i ekspresywności. W Proceedings of the First Asian Semantic Web Conference, Pekin, Chiny, Springer-Verlag. Tom. Tom. 4185, s. 616–631, 2006. Nagroda za najlepszy artykuł
  • Silvescu, A. i Honavar, V. Niezależność, rozkład i funkcje, które przyjmują wartości w grupę abelową. Materiały z dziewiątego międzynarodowego sympozjum na temat sztucznej inteligencji i matematyki, 9. sympozjum AI i MATH - Proceedings , 2006.

Infrastruktura danych i obliczeniowa dla nauki opartej na współpracy

  • Parashar, M., Honavar, V., Simonet, A., Rodero, I., Ghahramani, F., Agnew, G. i Jantz, R. (2020). Virtual Data Collaboratory: regionalna infrastruktura cybernetyczna do wspólnych badań opartych na danych. Informatyka w nauce i inżynierii 22:3:79-92
  • Santhanam, GR, Basu, S. i Honavar, V. (2013). Adaptacja usługi w oparciu o preferencje z wykorzystaniem substytucji usług. W Proceedings of the 2013 IEEE / WIC / ACM International Joint Conferences on Web Intelligence (WI) i Intelligent Agent Technologies (IAT) - tom 01 (s. 487–493). Towarzystwo komputerowe IEEE.
  • Sun, H., Basu, S., Honavar, V. i Lutz, R. (2010). Automatyczna weryfikacja wymagań bezpieczeństwa kompozytowych usług internetowych. W: Proceedings of the IEEE International Symposium on Software Reliability Engineering (ISSRE-2010). s. 348–357, IEEE Press.
  • Santhanam, GR, Basu, S. i Honavar, V. (2009). Zastępowanie usług sieciowych w oparciu o preferencje w stosunku do atrybutów niefunkcjonalnych. W: Proceedings of the IEEE International Conference on Services Computing (SCC 2009).
  • Pathak, J., Basu, S. i Honavar, V. (2008). Komponowanie usług sieciowych poprzez automatyczne przeformułowanie specyfikacji usług. Proceedings of the IEEE International Conference on Services Computing, IEEE, s. 361–369.
  •   Pathak, J.; Basu, S.; Lutz, R.; Honavar, V. (2008). „MoSCoE: podejście do komponowania usług sieciowych poprzez iteracyjne przeformułowanie specyfikacji funkcjonalnych”. Międzynarodowy dziennik poświęcony narzędziom sztucznej inteligencji . 17 (1): 109–138. CiteSeerX 10.1.1.301.6753 . doi : 10.1142/s0218213008003807 .
  • Santhanam, G., Basu, S. i Honavar, V. (2008). TCP-Compose* - Algorytm oparty na protokole TCP-net służący do wydajnego tworzenia usług sieciowych w oparciu o preferencje jakościowe. Proceedings of the 6. International Conference on Service Oriented Computing, Springer-Verlag Notatki z wykładów z informatyki, tom. 5254. s. 453–467
  • Pathak, J., Basu, S. i Honavar, V. (2007). O kontekstowej substytucyjności usług sieciowych. W: Proceedings of the IEEE International Conference on Web Services. s. 192–199. IEEE Naciśnij.
  • Pathak, J., Li, Y., Honavar, V., McCalley, J. (2007). Architektura zorientowana na usługi do zarządzania zasobami systemu przesyłowego energii elektrycznej. Drugie międzynarodowe warsztaty na temat aplikacji inżynieryjnych zorientowanych na usługi: projektowanie i skład, notatki z wykładów z informatyki, Berlin: Springer-Verlag, 2007.
  • Pathak, J., Basu, S., Lutz, R. i Honavar, V. (2006). Wybieranie i komponowanie usług sieciowych poprzez iteracyjne przeformułowanie specyfikacji funkcjonalnych. Materiały z Międzynarodowej Konferencji IEEE na temat narzędzi ze sztuczną inteligencją (ICTAI 2006), Waszyngton, DC, IEEE Press. Nagroda za najlepszy papier. s. 445–454.
  • Pathak, J., Basu, S. i Honavar, V. (2006). Modelowanie usług sieciowych poprzez iteracyjne przeformułowanie wymagań funkcjonalnych i niefunkcjonalnych. Materiały z Międzynarodowej Konferencji na temat Informatyki Zorientowanej na Usługi. Notatki z wykładów z informatyki, Berlin: Springer, tom. 4294, s. 314–326.
  • Pathak, J., Yuan, L., Honavar, V. i McCalley, J. (2006). Architektura zorientowana na usługi do zarządzania aktywami systemów przesyłowych energii elektrycznej, w: Materiały z drugiego międzynarodowego warsztatu na temat zastosowań inżynierskich zorientowanych na usługi: projektowanie i skład (WESOA-2006), Notatki z wykładów z informatyki, Berlin: Springer-Verlag.
  • Pathak, J., Basu, S., Lutz, R. i Honavar, V. (2006). Równoległa kompozycja usług internetowych w MoSCoE: podejście oparte na choreografii. Proceedings of the IEEE European Conference on Web Services (ECOWS 2006), Zurych, Szwajcaria, IEEE. W prasie.
  • Pathak, J., Basu, S. i Honavar, V. Modelowanie kompozycji usług sieciowych za pomocą symbolicznych systemów przejściowych. Warsztaty AAAI '06 na temat technologii opartych na sztucznej inteligencji dla przetwarzania zorientowanego na usługi (AI-SOC), Boston, MA, AAAI Press, 2006.
  • Pathak, J., Koul, N., Caragea, D. i Honavar, V. Struktura wykrywania usług sieci semantycznej. Materiały z 7. międzynarodowych warsztatów ACM na temat informacji w sieci i zarządzania danymi (WIDM 2005). , ACM Press. s. 45–50, 2005.
  • Pathak, J., Caragea, D. i Honavar, V. Przepływy pracy oparte na komponentach rozszerzonej ontologii: ramy do konstruowania złożonych przepływów pracy z semantycznie heterogenicznych komponentów oprogramowania. Warsztaty VLDB-04 dotyczące sieci semantycznej i baz danych. Springer-Verlag Notatki z wykładów z informatyki., Toronto, Springer-Verlag. Tom. 3372. s. 41–56, 2004.

Informatyka Stosowana: Bioinformatyka, Informatyka Zdrowotna, Informatyka Materiałowa

Bezpieczeństwo komputerów i informacji

  • Liang, J., Guo, W., Luo, T., Honavar, V., Wang, G. i Xing, X. (2021) FARE: Enabling Fine-grained Attack Kategorization under Low quality Labeled Data. W: Proceedings of the Network and Distributed System Security Symposium.
  • Oster, Z., Santhanam, G., Basu, S. i Honavar, V. (2013). Modelowe sprawdzanie preferencji wrażliwości jakościowej w celu zminimalizowania ujawniania danych uwierzytelniających. Międzynarodowe Sympozjum na temat Formalnych Aspektów Oprogramowania Komponentowego. Springer-Verlag Notatki z wykładów z informatyki, tom. 7684, s. 205–223, 2013.
  • Helmer, G.; Wong, J.; Slagell, M.; Honavar, V.; Miller, L.; Wang, Y.; Wang, X.; Stachanowa, N. (2007). „Drzewo błędów oprogramowania i specyfikacja, projektowanie i wdrażanie systemów wykrywania włamań opartych na agentach” . Międzynarodowy Dziennik Informacji i Bezpieczeństwa Komputerowego . 1 (1/2): 109–142. doi : 10.1504/ijics.2007.012246 .
  • Wang, Y.; Behera S.; Wong, J.; Helmer, G.; Honavar, V.; Miller, L.; Lutz, R. (2006). „W kierunku automatycznego generowania agentów mobilnych dla rozproszonych systemów wykrywania włamań”. Dziennik systemów i oprogramowania . 79 : 1–14. doi : 10.1016/j.jss.2004.08.017 .
  • Kang, DK., Fuller, D. i Honavar, V. Uczenie się nadużyć i detektorów anomalii z reprezentacji wektora częstotliwości wywołań systemowych. Międzynarodowa konferencja IEEE na temat wywiadu i informatyki bezpieczeństwa. Springer-Verlag Notatki z wykładów z informatyki, Springer-Verlag. Tom. 3495. s. 511–516, 2005.
  •   Helmer, G.; Wong, J.; Honavar, V.; Miller, L. (2003). „Lekkie agenty do wykrywania włamań” . Dziennik systemów i oprogramowania . 67 (2): 109–122. CiteSeerX 10.1.1.308.7424 . doi : 10.1016/s0164-1212(02)00092-4 .
  •    Helmer, G.; Wong, J.; Slagell, M.; Honavar, V.; Miller, L.; Lutz, R. (2002). „Podejście drzewa błędów oprogramowania do specyfikacji wymagań systemu wykrywania włamań”. Inżynieria Wymagań . 7 (4): 207–220. CiteSeerX 10.1.1.101.853 . doi : 10.1007/s007660200016 . S2CID 7414703 .

Korona

Linki zewnętrzne

Pobrano z „ https://en.wikipedia.org/w/index.php?title=Vasant_Honavar&oldid=1129055937 ”