数据智能与计算机图形学领域2019推荐论文列表（附链接）

资料来源:人工智能标题，微软研究院

这篇文章大约3600字，建议阅读10分钟。

2019年数据智能、计算和图形领域论文推荐。

数据智能

1.文本到SQL生成的数据匿名编码

论文链接:https://www . Microsoft . com/en-us/research/publication/anonymous-encoding-for-text-to-SQL-generation/

跨域文本到SQL研究中的一个重要问题是识别自然语言语句中提到的列名、表和单元格值。本文提出了一种基于中间变量和多任务学习的框架，试图同时解决表格实体识别和语义分析问题，取得了良好的效果。该论文发表在EMNLP 2019大会上。

2.跨域数据库中的复杂文本到SQL

论文链接:https://www . Microsoft . com/en-us/research/publication/towers-complex-text-to-SQL-in-cross-domain-database-with-intermediate-presentation/

计算机可执行语言(如SQL语句和存储结构)与自然语言不匹配，给复杂问题的语义分析带来困难。为了解决这个问题，本文设计了一种中间语言。语义分析的准确性可以通过首先将自然语言转换成中间语言，然后将中间语言转换成SQL来提高。该论文已在美国公民自由协会2019年发表。

3.利用形容词-名词短语知识进行文本到SQL的比较关系预测

论文链接:https://www . Microsoft . com/en-us/research/publication/level-injective-noun-Phrasing-knowledge-for-comparison-relation-prediction-in-text-to-SQL/

在自然语言理解中，知识的应用非常重要。本文试图从主语名词短语知识入手，利用文本到SQL中的语言相关知识来提高语言理解的准确性。该论文发表在EMNLP 2019大会上。

4.FANDA:一种执行后续查询分析的新方法

论文链接:https://www . Microsoft . com/en-us/research/publication/fanda-a-new-approach-to-performance-follow-question-analysis/

在多轮对话中，对话句中经常会出现省略或回指，当前句子需要根据上下文来理解。本文对对话数据分析中常见的省略或回指现象进行了分析和总结，并提出了一种全面补充当前句子的方法。该论文发表于2019年AAAI。

5.后续查询分析的拆分重组方法

论文链接:https://www . Microsoft . com/en-us/research/publication/a-split-and-compine-approach-for-follow-query-analysis/

在本文中，我们提出了一个拆分-重组框架来处理上下文，该框架可以有效地处理对话语句中经常存在的上下文遗漏或引用问题。这个框架可以用来补充当前语句的重述或直接生成逻辑形式(如SQL)。该论文发表在EMNLP 2019上。

6.快速洞察:从多维数据中快速自动发现洞察

论文链接:https://www . Microsoft . com/en-us/research/uploads/prod/2019/05/quick insights-camera-ready-compliant . pdf

本文创新性地提出了一个普遍适用的多维数据洞察抽象定义，并系统地提出了一个有效的大规模多维数据洞察挖掘算法。这篇文章发表在SIGMOD 2019上。从2015年开始，相应的技术将被转化为微软电力商务智能、办公365等产品。

7.表格等级:用卷积神经网络检测电子表格

论文链接:http://www . Microsoft . com/en-us/research/uploads/prod/2019/01/table sense _ aaai19.pdf

本文提出的基于深度学习模型的表格感知技术能够检测出电子表格的区域，理解电子表格的表格结构，并将其转化为结构化的多维数据进行自动分析。这项技术已被转化为微软的Office 365产品，并与Excel中的Ideas完全联机。这篇文章发表在2019年的AAAI。

8.文本到视图:从比例相关的自然语言语句中自动生成信息图

论文链接:https://www . Microsoft . com/en-us/research/publication/text-to-viz-automatic-generation-of-info graphics-from-proportion-related-natural-language-statements/

该论文发表在2019年的美国电气和电子工程师学会上，开创了从自然语言中自动生成信息图的技术。这种技术使得人们很容易获得大量数据信息图的设计，以增强数据故事的表达。

9.数据表:从表格数据自动生成数据表

论文链接:https://www . Microsoft . com/en-us/research/publication/data hot-automatic-generation-of-fact-sheets-from-Tablead-data/

该论文发表在2019年的美国电气和电子工程师学会上，提出了一种从数据表中自动生成由多个数据信息图组成的数据海报的技术。

10.走向自动化信息图形设计:基于深度学习的可扩展时间线自动提取

论文链接:https://www . Microsoft . com/en-us/research/publication/aims-automatic-info graphic-design-deep-learning-based-auto-extraction-of-extensible-timeline/

提出了一种从图片中自动提取数据信息图模板的技术。利用计算机视觉技术，时间轴的设计图片被分解成多个视觉元素并重新组合，使得视觉时间轴的设计图片的重用成为可能。该论文发表在2019年的美国电气和电子工程师学会上。

11.可视化评估:一种机器学习方法

论文链接:http://www . Microsoft . com/en-us/research/publication/visualization-assessment-a-machine-learning-approach/

该论文发表在2019年的美国电气和电子工程师学会(IEEE VIS)上，探讨了自动评估视觉图像特征的方法，如记忆和美学，以便机器学习算法在视觉生成和推荐中发挥作用。

12.支持故事合成:弥合视觉分析和讲故事之间的差距

论文链接:https://www . Microsoft . com/en-us/research/publication/supporting-story-synthesis-bridge-the gap-between-visual-analytics-and-store telling-2/

本文定义了一个新的故事生成框架，将从数据分析到结果显示的过程抽象为一个通用的故事生成过程。该框架支持从普通读者能够理解的复杂视觉分析结果中交互式生成故事。该论文发表在2019年电视媒体集团上。

13.云系统跨数据集时间序列异常检测

论文链接:https://www . Microsoft . com/en-us/research/publication/cross-dataset-time-series-exception-detection-for-cloud-systems/

提出了一种基于迁移学习和主动学习的跨数据集异常检测框架，该框架能够有效地在不同的时间序列数据集之间迁移，并且只需要1%-5%的标记样本量就可以实现高精度检测。这篇文章发表在USENIX空管2019上，这是一个系统领域的顶级会议。

14.不稳定日志数据的鲁棒日志异常检测

论文链接:https://www . Microsoft . com/en-us/research/publication/robust-log-based-exception-on-un statable log-data/

提出了一种基于深度学习技术的LogRobust模型，该模型能有效克服日志不稳定性问题，在快速迭代的真实工业数据中取得了突出的效果。这项研究发表在2019年FSE会议上，这是软件工程领域的顶级会议。

15.智能的端到端分析服务，可在大规模云基础架构中安全部署

论文链接:http://www . Microsoft . com/en-us/research/publication/an-intelligent-end-to-end-analytics-service-for-safe-deployment-in-large-scale-cloud-infra structure/

本文提出一个时间空相关模型，在时间和空的双重维度上比较故障前后的系统状态，为故障诊断提供线索。该模型在安全部署方面取得了较高的准确性，研究结果将在系统领域的顶级会议NSDI 2020上发表。

16.云服务系统的中断预测和诊断

论文链接:https://www . Microsoft . com/en-us/research/publication/断电预测和诊断云服务系统/

提出了一种智能的大规模中断告警机制——AirAlert，该机制收集整个云系统中的所有系统监控信号，使用稳健的梯度提升树算法进行预测，并使用贝叶斯网络进行诊断分析。相关研究论文发表于www.2019。

17.软件系统的预测导向设计

论文链接:https://www . Microsoft . com/en-us/research/publication/prediction-guided-design-for-software-systems/

提出了一种基于预测引导框架的智能缓冲管理方法，该方法以机器学习预测引擎为核心。它可以监控集群的部署工作负载和平台操作，预测这些负载的故障概率和新的容量增长需求，并动态调整保留的缓冲区。该方法已成功集成到微软Azure中，提高了容量分配的健壮性并降低了巨大的成本。相关研究将在AAAI 2020研讨会上发布。

18.在线服务系统事件分类实证研究

论文链接:https://www . Microsoft . com/en-us/research/publication/an-emph irical-investigation-of-incident-judition-for-online-service-systems/

本文基于微软的20个大型在线服务系统进行了案例研究，发现错误的故障分配会导致额外的时间开销，从而验证了现有软件Bug分配算法在故障分配场景中的有效性。这是首次研究工业大型在线服务系统中故障调度的实践。相关研究发表在2019年ICSE SEIP。

19.大型在线服务系统的连续事件分类

论文链接:https://www . Microsoft . com/en-us/research/publication/continuous-incident-triangle-for-large-scale-online-service-systems/

提出了一种基于深度学习的自动连续故障分配算法DeepCT。DeepCT结合了一种基于注意机制、门控循环单元模型和改进的损失函数的新的掩蔽策略，它可以逐渐积累知识并从工程师对问题的讨论中优化分配结果。相关结果发表在ASE 2019上。

20.神经特征搜索:自动化特征工程的神经架构

论文链接:https://www . Microsoft . com/en-us/research/publication/neutral-feature-search-a-neutral-architecture-for-automatic-feature-engineering/

本文提出了一种神经特征搜索(NFS)。基于递归神经网络(RNN)的控制器通过最有潜力的变换规则对每个原始特征进行变换，取得了比现有自动特征工程方法更好的性能。该成果已在ICDM 2019年数据挖掘领域会议上发表，并在自动特征工程研究领域建立了新的技术水平。

制图法

21.基于视觉驱动的最小入侵全局优化修复人工网格

论文链接:http://haopan.github.io/mesh_repair.html

本文提出的方法解决了大型三维数据集中的模型缺陷，如ShapeNet和ModelNet。这篇文章发表在2019年全球地理信息图亚洲。

22.学习三维形状集合的自适应层次立方体抽象

论文链接:https://isunchy.github.io/projects/cuboid_abstraction.html

人造物体，如家具，通常具有结构特征。人类可以很容易地将这些物体抽象成简单的几何形状的组合，例如长方体，以便于理解和分析物体。本文通过对相似对象的无监督学习，生成一个自适应的、层次化的长方体抽象表示。这篇文章发表在2019年全球地理信息图亚洲。

23.实时模拟可变形物体的可扩展伽辽金多重网格方法

论文链接:http://田anliu.cn/papers/xia 2019年多重网格/夏2019年multigrid.html

非结构网格上的伽辽金多重网格方法大大提高了现有柔性体仿真技术的性能。该方法可以实时模拟包含近一百万个有限元的柔性体模型，将人们在虚拟世界中可以交互的模型的复杂性增加了一个或两个数量级。该论文发表在《2019年全球地理信息图亚洲》上。

24.任意数量图像的高分辨率SVBRDF估计的深度逆绘制

论文链接:https://gao-duan.github.io/

本文提出了一种优化纹理材质的方法，实现了任意数量输入图片的纹理材质建模。当给定图像的数量少时，给出视觉上合理的结果，并且随着输入数量的增加，逐渐获得更精确的重建结果。该论文发表在SIGGRAPH 2019上。

25.使用多投影生成对抗网络从轮廓图像集合合成3D形状

论文链接:https://arxiv.org/abs/1906.03841

使用二维轮廓图像学习三维形状生成。该方法只需要某类物体的大量二维轮廓图像，不需要任何对应关系。它通过不同方向的对象类轮廓的特征分布来学习和生成满足训练数据分布的三维形状。该论文于2019年在CVPR发表。

编者:王静

校对:林一林

-完毕-

关注官方微信公众平台“THU数据学校”和清华-青岛数据科学研究院姐妹号“THU数据学校”，获取更多讲座收益和优质内容。

本文由 在线网速测试 整理编辑，转载请注明出处，原文链接：https://www.wangsu123.cn/news/3759.html。