CollaborateCom 2019参会总结

会议概要

CollaborateCom 2019在伦敦南岸大学举行，会议日期为8.19-8.22，今年会议的Track主要包含Cloud, IoT & Edge Computing, Collaborate IoT Services Applications，Security and Trustworthy, Algorithm, Network and Testbed，Data Analysis & Recommendation，Artiticifical Intelligence， Software development，Collaborative Application for Recognition and Classification。该次会议收录的很多论文体现了“协作”的思想，AI相关的论文用于医疗，饮食推荐，商品鉴别；IoT与医疗，航船异常检测等

KeyNote
会议开幕式当天主要进行了两个KeyNote Speech

a. Challenge and Opportunity in 5G and Beyond

该主题由Tasos Dagiukas汇报，Tasos是伦敦南岸大学教授，主要讲述了5G带来的机遇与挑战。5G的来临为IoT设备互连带来了可能，解决设备之间大批量数据传输的问题，通过IoT设备，实现远程医疗辅助，叠加AI技术，提高检测的精度。

个人体会-这个KeyNote英语听不太懂（个人英语原因及报告人非标准英语），只知道个大概，且更像是综述性的，大方向的报告。

b. The Past and Future Impacts of Clound Computing 

该主题是由华为云事业部的副总裁徐军汇报，徐老师从云的由来开始讲述。新成立的公司或组织为了提供对外服务，需要购买服务器，网络设备，网络带宽等一些列资源，这无疑加大了上线时间，且固定资产在服务提供初期占比很大。云的出现简化了服务的部署与应用，降低了资金的投入。另一方面，云也极大的促进了AI技术的发展。用户只需要将数据和相应的算法实现丢进云中，而不需要关注底层的计算实现，搭建自己的运算平台，方便了算法的验证。此外，云为生活提供了便利。IoT设备连接到云，依靠云传输，数据托管在云上，在云上处理，提供统一的物联网平台，为组织，企业，个人提供端到端服务。

个人体会：感觉还是偏笼统的报告，不过关于云对AI的促进作用还是挺受启发，后期自学AI技术，可以借助公开的云资源平台，简化了平台的搭建，方便了算法的编写实现。

分会汇报

本次会议的所有论文报告分别在两个分会场举行，大部分论文是关于物联网和AI，其中AI联合物联网用于医疗的有多篇，AI方面的推荐算法。本次信工所包括我在内总共三人参会，其他两人为网安组的一个老师和学生。

听的第一篇论文《Accuracy Guatanteed Event Detection via Collaborative Mobile Crowdsensing with unrilable Users关注协同移动群体感知中用户招聘问题，目标是优化大城市下区域中的细粒度检测精度。为了保证检测的精度，本文首先采用概率模型来描述用户的不可靠性，对收集的观测，使用信息熵测量推断事件发生的不确定性，提出了自适应贪婪算法。

《An Approach for item Recommendation Using Deep Neural Network combined with the Bayesian Personalized Ranking》提出了一种深度神经网络模型SDEBPR，该模型基于堆栈去燥AutoEncoder SDAE和贝叶斯个性化排序，用于精确的产品推荐。首先使用堆栈去燥Auto Encoder SDAE作为输入条目的评级数据，编码后获取隐藏的特征，贝叶斯个性化排名BPR用于学习对应条目隐藏的的特征向量。该模型可以避免矩阵的系数影响，获得更准确的推荐效果。

比较印象深的是西交的提出信息化在医疗中的应用《An Integrated and Intelligent Dental Healthcare System with Mobile Services》，设计实现了一个针对牙科医疗，集成的智能医疗移动服务系统。该系统包括四个组件：微信官方账户，智能问答，后续护理mini程序和智能语音助理。前两个组件帮助医生和病人之间缩小差距，并且无需下载额外的软件。该系统服务病人和医生，提供一组低成本的医疗服务。据论文汇报人表示，该系统已经在实际中应用。

个人体会-这个会议有关网络方面的很少，和我主题相关的一篇有关网络的文章是有关社区网络的，不过整下听下来很多都是一些方法在新的领域的应用，算法层面没有多大改进，但是因为是在新的应用，所以需要考虑应用层面的因素，不过也恰是体现了“协同”的主旨。

最佳论文

本文会议有两篇最佳论文，一篇是浙大的AI医疗的，另外一篇的杭州电子的轮船的异常检测。

《Integration of Machine Learning Techniques as Auxiliary Diagnosis of Inherited Metabolic Disorders Promising Experience with Newborn Screening Data》该片文章中有很多的医学名词，主要研究了食物代谢之间的复杂模式，更好的辅助诊断疗法。主要思想还是通过机器学习的方法发现代谢过程中有效的和有意思的，并将机器学习技术和这些模式结合，改进的预测性能同现有的诊断方法相比表明ML是一种有价值的辅助诊断工具。

另外一篇《A Collaborate Anomaly Detection Approach of Marine Vessel Trajectory》主要讲述航迹异常检测，使用的是舟山渔场管理系统的数据。大多数轨迹异常检测方法主要检测船只的空间信息轨迹，但这些方法忽视了船只的过程速度和加速等动态行为特征。因此本文提出了船只航迹多因素协同异常检测方法VTMCAD，通过对航迹特征的研究，实现对海上船舶的异常检测。首先对历史舰船的航迹行为进行识别，提取不同的航迹行为下的航迹特征，如航向和加速度，然后利用TRAOD方法识别当前航迹异常检测时的航迹行为，利用航迹速度，加速度等对应的航迹特征模型分类检测航迹异常，得到航迹异常的趋势点。最后将个分量的异常趋势值得分结合起来计算最终的异常趋势得分。VTMCAD可以根据不同分量的检测效果改变分量的权重，避免对一个分量的过度依赖，具有较好的鲁棒性和可靠性。

个人思考-上一篇机器学习用户辅助医疗诊断，数据集很重要，好的数据集效果很好，但是下一篇主要存在一个问题：什么航迹才算异常，这个异常如何定义，不过因为是代讲，所以也没有什么结果，后面准备发邮件问问。

论文下载

链接: https://pan.baidu.com/s/1_2NMEe-niJ3VWS26q8Q3Tg 提取码: qs71 

出国体会

仓禀实而知礼节，衣食足而知荣辱。

游玩

伦敦之行体会了下那边的人的生活方式，游览了牛津剑桥，有很多值的学习的地方。