Vasant Honavar

Vasant Honavar
Nationalitet  USA
Alma mater

BMS Institute of Technology and Management , University of Wisconsin Drexel University B.MS College of Engineering
Utmärkelser AAAS-stipendiat
Vetenskaplig karriär
Fält Datavetenskap , Artificiell intelligens , Maskininlärning , Datavetenskap , Bioinformatik , Big data , Causal Inferens , Informatik , Kunskapsrepresentation , Beräkningsbiologi , Kognitionsvetenskap , Hälsoinformatik , Neuroinformatik , Nätverksvetenskap , Biomedicinsk informatik
institutioner

Iowa State University National Science Foundation Pennsylvania State University
Doktorand rådgivare Leonard Uhr
Influenser


Leonard Uhr Larry Travis Deborah Joseph Helen M. Berman

Vasant G. Honavar är en indisk född amerikansk datavetare och forskare och professor inom artificiell intelligens , maskininlärning , big data , datavetenskap , kausal slutledning , kunskapsrepresentation , bioinformatik och hälsoinformatik .

tidigt liv och utbildning

Vasant Honavar föddes i Poona , Indien till Bhavani G. och Gajanan N. Honavar. Han fick sin tidiga utbildning vid Vidya Vardhaka Sangha High School och MES College i Bangalore , Indien . Han fick en BE i Electronics & Communications Engineering från BMS College of Engineering i Bangalore , Indien 1982, när det var anslutet till Bangalore University , en MS i elektro- och datateknik 1984 från Drexel University , och en MS i datavetenskap i 1989, och en Ph.D. 1990, respektive från University of Wisconsin–Madison , där han studerade artificiell intelligens och arbetade med Leonard Uhr .

Karriär

Honavar är på fakulteten för Penn State College of Information Sciences and Technology vid Pennsylvania State University där han för närvarande innehar Dorothy Foehr Huck och J. Lloyd Huck-stolen i biomedicinsk datavetenskap och artificiell intelligens och tidigare innehaft Edward Frymoyer Endowed Chair in Information Sciences och teknik. Han tjänstgör på fakulteterna för forskarprogrammen i datavetenskap , informatik , bioinformatik och genomik , neurovetenskap , operationsforskning , folkhälsovetenskap och ett grundutbildningsprogram i datavetenskap . Honavar fungerar som direktör för Artificial Intelligence Research Laboratory, Associate Director för Institute for Computational and Data Sciences och chef för Center for Artificial Intelligence Foundations and Scientific Applications vid Pennsylvania State University . Honavar tjänstgör i ledarskapet för Northeast Big Data Innovation Hub. Honavar tjänstgjorde i Computing Research Associations Computing Community Consortium Council under 2014-2017, där han var ordförande för arbetsgruppen för konvergens av data och beräkningar, och var medlem i arbetsgruppen för artificiell intelligens.

Honavar var den första Sudha Murty Distinguished Visiting Chair of Neurocomputing and Data Science av Indian Institute of Science, Bangalore, Indien. Honavar utsågs till en framstående medlem av Association for Computing Machinery för "enastående vetenskapliga bidrag till datoranvändning"; och valde en Fellow i American Association for the Advancement of Science för hans "utmärkta forskningsbidrag och ledarskap inom datavetenskap".

Honavar ledde Big Data -programmet som programdirektör i programmet Information Integration and Informatics i Information and Intelligent Systems Division vid Computer and Information Science and Engineering Directorate vid US National Science Foundation under 2010-13.

Honavar var professor i datavetenskap vid Iowa State University där han ledde Artificial Intelligence Research Laboratory som han grundade 1990 och var avgörande för att etablera ett interdepartementalt forskarutbildningsprogram i bioinformatik och beräkningsbiologi (och fungerade som ordförande under 2003–2005).

Honavar har haft gästprofessurer vid Carnegie Mellon University , University of Wisconsin–Madison och vid Indian Institute of Science .

Forskning

Honavar har gjort betydande forskningsbidrag inom artificiell intelligens , maskininlärning , kausal slutledning , kunskapsrepresentation , neurala nätverk , semantisk webb , big data- analys och bioinformatik och beräkningsbiologi . Han var programordförande för Association for the Advancement of Artificial Intelligence ( AAAI) 36:e konferens om artificiell intelligens. Han har publicerat över 300 forskningsartiklar, inklusive många mycket citerade, samt flera böcker om dessa ämnen. Hans senaste arbete har fokuserat på federerade maskininlärningsalgoritmer för att konstruera prediktiva modeller från distribuerad data och länkad öppen data , lära sig prediktiva modeller från högdimensionella longitudinella data, uppskatta orsakseffekter från komplexa data, resonera med federerade kunskapsbaser, detektera algoritmisk bias, big data analys, analys och förutsägelse av protein-protein-, protein-RNA- och protein-DNA-gränssnitt och interaktioner, sociala nätverksanalyser, hälsoinformatik, sekretessbevarande frågesvar, representation och resonemang om preferenser, och kausal slutledning och metaanalys . [ citat behövs ]

Honavar har varit aktivt för att främja nationella och internationella vetenskapliga samarbeten inom artificiell intelligens, datavetenskap och deras tillämpningar för att ta itu med nationella, internationella och samhälleliga prioriteringar för att påskynda vetenskapen, förbättra hälsan, omvandla jordbruket genom partnerskap som sammanför akademi, ideella organisationer, och industri. Han är också aktiv för att göra vetenskapspolitiska argument för stora nationella forskningsinitiativ som AI för att accelerera vetenskap och AI för att bekämpa epidemin av förtvivlanssjukdomar .

Utvalda publikationer

Böcker

  •   Vasant Honavar och Leonard Uhr . (Red.) Artificiell intelligens och neurala nätverk: steg mot principiell integration. New York: Academic Press. 1994. ISBN 0-12-355055-6
  •   Vasant Honavar och Giora Slutzki (Ed). Grammatisk slutledning. Berlin: Springer-Verlag. 1998. ISBN 3-540-64776-7
  •   Mukesh Patel, Vasant Honavar och Karthik Balakrishnan (Red). Framsteg i den evolutionära syntesen av intelligenta medel. Cambridge, MA: MIT Press. 2001. ISBN 0-262-16201-6
  •   Ganesh Ram Santhanam, Samik Basu och Vasant Honavar. Representera och resonera med kvalitativa preferenser: Verktyg och applikationer. Föreläsning #31, Syntesföreläsningar om artificiell intelligens och maskininlärning. Morgan & Claypool Publishers. 2016. doi : 10.2200/S00689ED1V01Y201512AIM031 , ISBN 978-1-62705-839-1

Artiklar

Positionspapper om artificiell intelligens, datavetenskap och relaterade ämnen

  • Barocas, S., Bradley, E., Honavar, V. och Provost, F. (2017). Big Data, Data Science och Civil Rights. Computing Community Consortium. arXiv förtryck arxiv:1706.03102.
  • Hager, G., Bryant, R., Horvitz, E., Mataric, M. och Honavar, V. (2017). Framsteg inom artificiell intelligens kräver framsteg inom hela datavetenskap. Computing Community Consortium. arXiv förtryck arXiv:1707.04352
  • Honavar, V., Yelick, K., Nahrstedt, K., Rushmeier, H., Rexford, J., Hill, Mark., Bradley, E., och Mynatt, E. (2017). Avancerad cyberinfrastruktur för vetenskap, teknik och offentlig politik. Computing Community Consortium. arXiv förtryck 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). The Promise and Potential of Big Data: A Case for Discovery Informatics Review of Policy Research 31:4 10.1111/ropr.12080.

Kausal slutledning

  • Lee, S. och Honavar, V. (2020). Mot Robust Relational Causal Discovery. I: Proceedings of the Thirty-Fifth Conference on Uncertainty in Artificial Intelligence s. 345–355
  • Kandasamy, S., Bhattacharyya, A. och Honavar, V. (2019). Minsta interventionstäckning av en kausal graf. I: Proceedings of the 33rd AAAI Conference on Artificial Intelligence (AAAI-19).
  • Khademi, A., Lee, S., Foley, D. och Honavar, V. (2019). Rättvisa i algoritmiskt beslutsfattande: En preliminär utflykt genom kausalitetens lins. I: Proceedings of the Web Conference.
  • Lee, S. och Honavar, V. (2017). Självdiskrepans villkorligt oberoende test. I: Conference on Uncertainty in Artificial Intelligence (UAI-17).
  • Lee, S. och Honavar, V. (2017). Ett kärnoberoendetest för relationsdata. I: Conference on Uncertainty in Artificial Intelligence (UAI-17).
  • Bui, N., Yen, J. och Honavar, V. (2016). Temporal Causality Analysis of Sentiment Change in a Cancer Survivor Network. IEEE Transaktioner på Computational Social Systems. doi : 10.1109/TCSS.2016.2591880
  • Lee, S. och Honavar, V. (2016). En karakterisering av Markovs ekvivalensklasser av relationella kausala modeller under vägsemantik. I: Proceedings of the Conference on Uncertainty in Artificial Intelligence (UAI-16).
  • Lee, S. och Honavar, V. (2016). Om att lära sig kausala modeller från relationsdata. I: Proceedings of the Thirtionth AAAI Conference on Artificial Intelligence (AAAI-16).
  • Bui, N., Yen, J. och Honavar, V. (2015). Temporal Causality of Social Support in an Online Community for Cancer Survivors I: International Conference on Social Computing, Behavioural-Cultural Modeling, and Prediction (SBP15). Springer-Verlag Lecture Notes in Computer Science, Vol. 9021, s. 13–23.
  • Lee, S. och Honavar, V. (2015). Lifted Representation of Relational Causal Models Revisited: Impplications for Reasoning and Structure Learning I: Workshop on Advances in Causal Inference, Conference on Uncertainty in Artificial Intelligence, 2015.
  • Bareinboim, E., Lee, S., Honavar, V. och Pearl, J. (2013). Transporterbarhet från flera miljöer med begränsade experiment. I: Advances in Neural Information Systems (NIPS) 2013. s. 136–144.
  • Lee, S. och Honavar, V. (2013). Transporterbarhet av en orsakseffekt från flera miljöer. I: Proceedings of the 27th Conference on Artificiell Intelligens (AAAI 2013).
  • Lee, S. och Honavar, V. (2013). Causal transportabilitet av experiment på kontrollerbara delmängder av variabler: z-Transportabilitet. I: Proceedings of the 29th Conference on Uncertainty in Artificial Intelligence (UAI 2013).

Maskininlärning, neurala nätverk och djupinlärning

  • Liang, J., Wu, Y., Yu, D. och Honavar, V. (2021). Longitudinell Deep Kernel Gaussian Process Regression In: Proceedings of the 35th AAAI Conference on Artificiell Intelligens. sid. 8556-8564
  • Hsieh, TY., Sun, Y., Wang, S. och Honavar, V. (2021). Funktionella autokodare för inlärning av funktionell datarepresentation . I: Proceedings of the SIAM Conference on Data Mining. s. 666 - 674
  • Hsieh, TY., Sun, Y., Tang, X., Wang, S. och Honavar, V. (2021). SrVARM: State Regularized Vector Autoregressive Model for Joint Learning of Hidden State Transitions and State-Dependent Inter-Variable Dependencies from Time Series Data In: Proceedings of the Web Conference. s. 2270–2280
  • Hsieh, TY., Sun, Y., Wang, Sm och Honavar, V. (2021). Förklarlig multivariat tidsserieklassificering: Ett djupt neuralt nätverk som lär sig att ta hänsyn till viktiga variabler såväl som informativa tidsintervall. I: Proceedings of the 14th International Conference on Web Search and Data Mining. sid. 607-615
  • Liang, J., Xu, D., Sun, Y. och Honavar, V. (2020). LMLFM: longitudinell flernivåfaktoriseringsmaskin. AAAI 2020: s. 4811–4818
  • Le. T. och Honavar, V. (2020). Dynamisk Gaussisk process latent variabel modell för representation att lära sig av longitudinella dataprocesser från 2020 ACM-IMS on Foundations of Data Science ConferenceOktober 2020 Sidorna 183–188. Dynamisk Gaussisk process latent variabel modell för representationsinlärning från longitudinella data
  • Sun, Y., Wang, S., Tang, X., Hsieh, TY., och Honavar, V. (2020). Motstridiga attacker på Graph Neural Networks via Node Injections: A Hierarchical Reinforcement Learning Approach . Proceedings of The Web Conference 2020 (WWW '20) s. 673-683.
  • Sun, Y., Tang, X., Hsieh, TY., Wang, S. och Honavar, V. (2019). MEGAN: A Generative Adversarial Network Algorithm for Multi-View Network Inbäddning . I: Proceedings of the 28th International Joint Conference on Artificial Intelligence (IJCAI-2019). sid. 3527-3533
  • Hsieh, TY, Sun, Y., Wang, S. och Honavar, V. (2019). Adaptiv strukturell samreglering för oövervakad multi-view funktionsval . I: Proceedings of the IEEE International Conference on Big Knowledge (ICBK-2019). DOI 10.1109/ICBK.2019.00020
  • Zhou, Y., Sun, Y. och Honavar, V. (2019). Förbättra bildtextning genom att utnyttja kunskapsdiagram. IEEE vinterkonferens om tillämpningar av datorseende.
  • Hsieh, TY., El-Manzalawy, Y., Sun, Y. och Honavar, V (2018). Kompositionell stokastisk medelgradient för maskininlärning och relaterade applikationer . I: Proceedings of the 19th International Conference on Intelligent Data Engineering and Automated Learning. sid. 740-752.
  • Sun, Y., Bui, N., Hsieh, TY., och Honavar, V. (2018). Multi-View Network Inbäddning via Graph Factorization Clustering och Co-Regularized Multi-View Agreement . IEEE ICDM Internationell workshop om grafanalys. DOI: 10.1109/ICDMW.2018.00145
  • Liang, J., Hu, J., Dong, S. och Honavar, V. (2018). Top-N-Rank: En trunkerad lista-wise rankingstrategi för storskalig Top-N-rekommendation . I: Proceedings of the IEEE International Conference on Big Data. DOI: 10.1109/BigData.2018.8621994
  • Hu, J., Liang, J., Kuang, Y. och Honavar, V. (2018). En användarlikhetsbaserad Top-N-rekommendationsmetod för mobilannonsering i applikationer . Expertsystem med applikationer. Vol. 111. s. 51–60.
  • Bui, N., Le, T. och Honavar, V. (2016). Märkning av aktörer i sociala nätverk med flera vyer genom att integrera information inifrån och över flera vyer . I: Proceedings of the IEEE Conference on Big Data.
  • Lin, H., Bui, N. och Honavar, V. (2015). Lär dig klassificerare från fjärrstyrda RDF-datalager utökade med RDFS-underklasshierarkier. I: 2nd International Workshop on High Performance Big Graph Data Management, Analysis and Mining (BigGraph 2015), IEEE International Conference on Big Data.
  • Bui, N. och Honavar, V. (2014). Märkning av aktörer i sociala nätverk med hjälp av en heterogen grafkärna. I: International Conference on Social Computing, Behavioural-Cultural Modeling, and Prediction (SBP14). s. 27–34.
  • Lin, H. och Honavar, V. (2013). Lär dig klassificerare från kedjor av flera sammanlänkade RDF-datalager. I: IEEE Big Data Congress. Pris för bästa studentuppsats.
  • Lin, H., Lee, S., Bui, N. och Honavar, V. (2013). Att lära sig klassificerare från distributionsdata. I: IEEE Big Data Congress.
  • Bui, N. och Honavar, V. (2013). Om abstraktionens nytta vid märkning av aktörer i sociala nätverk. I: 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining.
  • Silvescu, A. och Honavar, V. (2013). Abstraktion Superstrukturerande normala former: Mot en teori om strukturell induktion. I: Algoritmisk sannolikhet och vänner. Bayesiansk förutsägelse och artificiell intelligens (s. 339–350). Springer Berlin Heidelberg.
  • Tu, K. och Honavar, V. (2012). Entydighetsregularisering för oövervakat lärande av probabilistiska grammatiker. I: Proceedings of EMNLP-CoNLL 2012: Konferens om empiriska metoder i naturlig språkbehandling och beräkningsinlärning av naturligt språk. s. 1324–1334.
  • Lin, H., Koul, N., och Honavar, V. (2011). Lär dig relationella Bayesianska klassificerare från RDF-data. I: Proceedings of the International Semantic Web Conference (ISWC 2011). Springer-Verlag Lecture Notes in Computer Science Vol. 7031 s. 389–404.
  • Tu, K. och Honavar, V. (2011). Om nyttan av läroplaner i oövervakad inlärning av grammatik. I: Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence (IJCAI 2011) s. 1523–1528.
  • Tu, K., Ouyang, X., Han, D., Yu, Y. och Honavar, V. (2011). Exemplarbaserad Robust Coherent Biclustering. I: Proceedings of the SIAM Conference on Data Mining (SDM 2011). s. 884–895.
  • Yakhnenko, O. och Honavar, V. (2011). Multi-Instance Multi-Label Learning för bildklassificering med stora ordförråd. I: Proceedings of the British Machine Vision Conference.
  • Caragea, C., Silvescu, A., Caragea, D. och Honavar, V. (2010). Abstraktionsförstärkta Markov-modeller. I: Proceedings of the IEEE Conference on Data Mining (ICDM 2010). IEEE Tryck. s. 68–77.
  • Koul, N. och Honavar, V. (2010). Lärande i närvaro av ontologiska kartläggningsfel. I: Proceedings of the IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology. s. 291–296. ACM Tryck.
  • Bromberg, F., Margaritis, D. och Honavar, V. (2009). Effektiv upptäckt av Markov-nätverksstruktur från oberoendetester. Journal of Artificial Intelligence Research. Vol. 35. s. 449–485.
  • El-Manzalawi, Y. och Honavar, V. (2009). MICCLLR: Lärande i flera instanser med hjälp av sannolikhetsförhållande för klass villkorlig logg. I: Proceedings of the 12th International Conference on Discovery Science (DS 2009). Springer-Verlag Lecture Notes in Computer Science Vol. 5808, s. 80–91, Berlin: Springer.
  • Silvescu, A., Caragea, C. och Honavar, V. (2009). Kombinera superstrukturering och abstraktion på sekvensklassificering. IEEE Conference on Data Mining (ICDM 2009).
  • Yakhnenko, O. och Honavar, V. (2009). Multi-modal hierarkisk Dirichlet-processmodell för att förutsäga bildkommentarer och bild-objektetikettkorrespondens. I: Proceedings of the SIAM Conference on Data Mining, SIAM. s. 281–294
  • Tu, K. och Honavar, V. (2008). Oövervakad inlärning av probabilistisk kontextfri grammatik med iterativ biklustering. . I: International Colloquium on Grammatical Inference (ICGI-2008). Springer-Verlag Lecture Notes in Computer Science vol. 5278 s. 224–237.
  • Yakhnenko, O. och Honavar, V. (2008). Att kommentera bilder och bildobjekt med hjälp av en hierarkisk Dirichlet-processmodell. 9:e internationella workshopen om multimediadatautvinning (SIGKDD MDM 2008), Las Vegas, ACM.
  •    Zhang, J.; Kang, DK; Silvescu, A.; Honavar, V. (2006). "Lär dig exakta och kortfattade naiva Bayes-klassificerare från attributvärde taxonomier och data" . Kunskaps- och informationssystem . 9 (2): 157–179. doi : 10.1007/s10115-005-0211-z . PMC 2846370 . PMID 20351793 .
  • Caragea, D., Zhang, J., Bao, J., Pathak, J. och Honavar, V. (2005). Algoritmer och programvara för kollaborativ upptäckt från autonoma, semantiskt heterogena informationskällor (inbjuden uppsats). Proceedings of the 16th International Conference on Algorithmic Learning Theory. Föreläsningsanteckningar i datavetenskap, Singapore, Berlin: Springer-Verlag. Vol. 3734. s. 13–44
  • Zhang, J., Caragea, D. och Honavar, V. Learning Ontology-Aware Classifiers. Proceedings of the 8th International Conference on Discovery Science. Springer-Verlag föreläsningsanteckningar i datavetenskap, Singapore, Berlin: Springer-Verlag. Vol. 3735. s. 308–321, 2005.
  • Yakhnenko, O., Silvescu, A. och Honavar, V. (2005) Diskriminativt tränad Markov-modell för sekvensklassificering. IEEE Conference on Data Mining (ICDM 2005), Houston, Texas, IEEE Press
  • Kang, DK., Zhang, J., Silvescu, A. och Honavar, V. (2005) Multinomial Event Model Based Abstraction for Sequence and Text Classification. Proceedings of the Symposium on Abstraction, Reformulation, and Approximation (SARA 2005), Edinburgh, Storbritannien, Berlin: Springer-Verlag. Vol. 3607. s. 134–148.
  • Wu. F., Zhang, J. och Honavar, V. (2005) Lärande klassificerare med hjälp av hierarkiskt strukturerade klasstaxonomier. Proceedings of the Symposium on Abstraction, Reformulation, and Approximation (SARA 2005), Edinburgh, Berlin, Springer-Verlag. Vol. 3607. s. 313–320.
  •    Caragea, D.; Silvescu, A.; Honavar, V. (2004). "Ett ramverk för att lära av distribuerade data med hjälp av tillräcklig statistik och dess tillämpning på lärande beslutsträd" . 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. och Honavar, V. Generering av attributvärde-taxonomier från data för exakt och kompakt klassificerarekonstruktion. IEEE International Conference on Data Mining, IEEE Press. s. 130–137, 2004.
  • R. Polikar, L. Udpa, S. Udpa och V. Honavar (2004). En inkrementell inlärningsalgoritm med konfidensuppskattning för automatisk identifiering av NDU-signaler. IEEE-transaktioner av ultraljud, ferroelektrik och frekvenskontroll. Vol. 51. s. 990–1001, 2004.
  • Atramentov, A., Leiva, H. och Honavar, V. (2003). A Multi-Relational Decision Tree Learning Algorithm – Implementation and Experiment... I: Proceedings of the Thirteenth International Conference on Inductive Logic Programmering. Berlin: Springer-Verlag.
  • Zhang, J. och Honavar, V. (2003). Inlärning av beslutsträdsklassificerare från attributvärde-taxonomier och partiellt specificerade data. I: Proceedings of the International Conference on Machine Learning (ICML-03).
  • Zhang, J., Silvescu, A. och Honavar, V. (2002). Ontologidriven induktion av beslutsträd på flera abstraktionsnivåer. I: Proceedings of Symposium on Abstraction, Reformulation, and Approximation. Berlin: Springer-Verlag.
  • Polikar, R., Udpa, L., Udpa, S. och Honavar, V. (2001). Learn++: En inkrementell inlärningsalgoritm för flerlagers perceptronnätverk. IEEE-transaktioner på system, människa och cybernetik. Vol. 31, nr 4. s. 497–508.
  • Parekh, R. och Honavar, V. (2001). DFA lärande från enkla exempel. Maskininlärning. Vol. 44. s. 9–35.
  • Silvescu, A. och Honavar, V. (2001). Temporala booleska nätverksmodeller av genetiska nätverk och deras slutledning från genuttryckstidsserier. Complex Systems. Vol. 13. Nr 1. s. 54-.
  • Balakrishnan, K., Bousquet, O. och Honavar, V. (2000). Spatial Learning and Localization in Animals: A Computational Model and its Implikations for Mobile Robots, Adaptive Behaviour. Vol. 7. nej. 2. s. 173–216.
  • Caragea, D., Silvescu, A. och Honavar, V. (2000). Agenter som lär sig av distribuerade dynamiska datakällor. I: Proceedings of the ECML 2000/Agents 2000 Workshop on Learning Agents. Barcelona, ​​Spanien.
  • Parekh, R. och Honavar, V. (2000). Om relationerna mellan modeller för lärande i hjälpsamma miljöer. I: Proceedings of the Fifth International Conference on Grammatical Inference. Lissabon, Portugal.
  • Parekh, R., Yang, J. och Honavar, V. (2000). Konstruktiva neurala nätverksinlärningsalgoritmer för mönsterklassificering i flera kategorier. IEEE-transaktioner på neurala nätverk. Vol. 11. Nr 2. s. 436–451.
  • Polikar, R., Udpa, L., Udpa, S. och Honavar, V. (2000). Learn++: En inkrementell inlärningsalgoritm för flerskiktsperceptronnätverk. I: Proceedings of the IEEE Conference on Acoustics, Speech and Signal Processing (ICASSP) 2000. Istanbul, Turkiet.
  • Yang, J., Parekh, R. & Honavar, V. (2000). Jämförelse av prestanda för varianter av enskikts perceptronalgoritmer på icke-separerbara data. Neural, parallell och vetenskaplig beräkning. Vol. 8. s. 415–438.
  • Yang, J. och Honavar, V. (1999). DistAl: En intermönsterdistansbaserad konstruktiv neural nätverksinlärningsalgoritm... Intelligent dataanalys. Vol. 3. s. 55–73.
  • Parekh, R. och Honavar, V. (1999). Enkla DFA är polynomiellt förmodligen exakt lärbara från enkla exempel. I: Proceedings of the International Conference on Machine Learning. Bled, Slovenien.
  • Bousquet, O., Balakrishnan, K. och Honavar, V. (1998). Är Hippocampus ett Kalman-filter?. I: Proceedings of the Pacific Symposium on Biocomputing. Singapore: World Scientific. s. 655–666.
  • Parekh, R., Nichitiu, C. och Honavar, V. (1998). En polynomisk tidsinkrementell algoritm för att lära sig DFA. I: Proceedings of the Fourth International Colloquium on Grammatical Inference (ICGI'98), Ames, IA. Lecture Notes in Computer Science vol. 1433 s. 37–49. Berlin: Springer-Verlag.
  • Yang, J. och Honavar, V. (1998). Val av funktionsdelmängder med hjälp av en genetisk algoritm. IEEE Intelligent Systems (Special Issue on Feature Transformation and Subset Selection). vol. 13. s. 44–49.
  • Parekh, RG, Yang, J. och Honavar, V. (1997). MUPStart – En konstruktiv neural nätverksinlärningsalgoritm för mönsterklassificering i flera kategorier. I: Proceedings of the IEEE International Conference on Neural Networks (ICNN'97). Houston, TX. s. 1924–1929.
  • Parekh, RG, Yang, J. och Honavar, V. (1997). Beskärningsstrategier för konstruktiva neurala nätverksinlärningsalgoritmer. I: Proceedings of the IEEE International Conference on Neural Networks (ICNN'97). Houston, TX. s. 1960–1965. 9–12 juni 1997.
  • Parekh, RG och Honavar, V. (1997) Att lära sig DFA från enkla exempel. I: Proceedings of the International Workshop on Algorithmic Learning Theory. (ALT 97). Sendai, Japan. Föreläsningsanteckningar i datavetenskap. Vol. 1316 s. 116–131.
  • Chen, CH., Parekh, R., Yang, J., Balakrishnan, K. och Honavar, V. (1995). Analys av beslutsgränser genererade av konstruktiva neurala nätverksinlärningsalgoritmer. I: Proceedings of the World Congress on Neural Networks (WCNN'95). Washington, DC 17–21 juli 1995. s. 628–635.
  • Honavar, V.; Uhr, L. (1993). "Generativa inlärningsstrukturer för generaliserade anslutningsnätverk". Informationsvetenskap . 70 (1–2): 75–108. doi : 10.1016/0020-0255(93)90049-r .
  • Honavar, V. (1992). Vissa fördomar för effektiv inlärning av rumsliga, tidsmässiga och rumsliga-temporala mönster. I: Proceedings of International Joint Conference on Neural Networks. Peking, Kina.

Kunskapsrepresentation och semantisk webb

  •   Tao, J.; Slutzki, G.; Honavar, V. (2015). "En konceptuell ram för sekretessbevarande resonemang i kunskapsbaser". ACM-transaktioner på beräkningslogik . 16 : 1–32. doi : 10.1145/2637477 . S2CID 11436585 .
  • Santhanam, GR, Basu, S. och Honavar, V. (2013) Verifiering av preferensekvivalens och subsumtion via modellkontroll. I International Conference on Algorithmic Decision Theory (s. 324–335). Springer Berlin Heidelberg.
  • Tao, J., Slutzki, G. och Honavar, V. (2012). PSpace Tableau Algoritmer för acyklisk modaliserad ALC. Journal of Automated Reasoning. Vol. 49. s. 551–582
  • Santhanam, G.; Basu, S.; Honavar, V. (2011). "Representera och resonera med kvalitativa preferenser för kompositionssystem". Journal of Artificial Intelligence Research . 42 : 211-274.
  • Santhanam, G., Suvorov, Y., Basu, S. och Honavar, V. (2011). Verifiera interventionspolicyer för att motverka smittspridning över nätverk: ett tillvägagångssätt för modellkontroll. I: Proceedings of the Twenty-Fifth Conference on Artificial Intelligence (AAAI-2011). s. 1408–1414.
  • Sanghvi, B., Koul, N., och Honavar, V. (2010). Identifiera och eliminera inkonsekvenser i mappningar över hierarkiska ontologier. I: Springer-Verlag Lecture Notes in Computer Science Vol. 6427, s. 999–1008. Berlin: Springer.
  • Santhanam, G., Basu, S. och Honavar, V. (2010). Effektiv dominanstestning för ovillkorliga preferenser. I: Proceedings of the Twelfth International Conference on the Principles of Knowledge Representation and Reasoning (KR 2010). s. 590–592. AAAI Press.
  • Santhanam, G., Basu, S. och Honavar, V. (2010). Dominanstestning via modellkontroll. I: Proceedings of the 24th AAAI Conference on Artificial Intelligence (AAAI-10). s. 357–362. AAAI Press.
  • Bao, J., Voutsadakis G., Slutzki, G. Honavar:, V. (2009). Paketbaserad beskrivningslogik. I: Modular Ontologies: Concepts, Theories and Techniques for Knowledge Modularization. Lecture Notes in Computer Science Vol. 5445, s. 349–371
  • Bao, J., Voutsadakis, G., Slutzki, G. och Honavar, V. (2008). Om avgörbarheten av rollmappningar mellan modulära ontologier. I: Proceedings of the 23nd Conference on Artificial Intelligence (AAAI-2008), Menlo Park, CA: AAAI Press, s. 400–405
  • Bao, J., Slutzki, G. och Honavar, V. (2007). A Semantic Importing Approach to Knowledge Reuse from Multiple Ontologies.. I: Proceedings of the 22nd Conference on Artificial Intelligence (AAAI-2007). Vancouver, Kanada. Semantisk importeringsmetod för återanvändning av kunskap från flera ontologier. s. 1304–1309. AAAI Press.
  • Bao, J., Slutzki, G. och Honavar, V. (2007). Integritetsbevarande resonemang på den semantiska webben. IEEE/WIC/ACM-konferens om webbintelligens. IEEE. s. 791–797
  • Bao, J., Caragea, D. och Honavar, V. (2006). On the Semantics of Linking and Importing in Modular Ontologies.I: Proceedings of the International Semantic Web Conference (ISWC 2006), Lecture Notes in Computer Science, Berlin: Springer. Lecture Notes in Computer Science Vol. 4273, s. 72–86.
  • Bao, J., Caragea, D. och Honavar, V. (2006). En tablåbaserad federerad resonemangsalgoritm för modulära ontologier. I: Proceedings of the ACM/IEEE/WIC Conference on Web Intelligence. IEEE Tryck. s. 404–410.
  • Bao, J., Caragea, D. och Honavar, V. En distribuerad tablåalgoritm för paketbaserad beskrivningslogik. Proceedings of the Second International Workshop on Context Representation and Reasoning (CRR 2006), Riva del Garda, Italien, CEUR. 2006.
  • Bao, J., Caragea, D. och Honavar, V. Modular Ontologies – A Formal Investigation of Semantics and Expressivity. I Proceedings of the First Asian Semantic Web Conference, Beijing, Kina, Springer-Verlag. Vol. Vol. 4185, s. 616–631, 2006. Best Paper Award
  • Silvescu, A. och Honavar, V. Oberoende, nedbrytbarhet och funktioner som tar värden in i en Abelian-grupp. Proceedings of the Ninth International Symposium on Artificial Intelligence and Mathematics, 9th AI and MATH Symposium - Proceedings , 2006.

Data and Computational Infrastructure for Collaborative Science

  • Parashar, M., Honavar, V., Simonet, A., Rodero, I., Ghahramani, F., Agnew, G. och Jantz, R. (2020). The Virtual Data Collaboratory: A Regional Cyberinfrastructure for Collaborative Data-Driven Research. Computing in Science and Engineering 22:3:79-92
  • Santhanam, GR, Basu, S. och Honavar, V. (2013). Preferensbaserad tjänsteanpassning med tjänstersättning. In Proceedings of the 2013 IEEE/WIC/ACM International Joint Conferences on Web Intelligence (WI) och Intelligent Agent Technologies (IAT)-Volume 01 (sid. 487–493). IEEE Data Society.
  • Sun, H., Basu, S., Honavar, V. och Lutz, R. (2010). Automatisk baserad verifiering av säkerhetskrav för sammansatta webbtjänster. I: Proceedings of the IEEE International Symposium on Software Reliability Engineering (ISSRE-2010). s. 348–357, IEEE Press.
  • Santhanam, GR, Basu, S. och Honavar, V. (2009). Webbtjänstersättning baserat på inställningar framför icke-funktionella attribut. I: Proceedings of the IEEE International Conference on Services Computing (SCC 2009).
  • Pathak, J., Basu, S. och Honavar, V. (2008). Komponera webbtjänster genom automatisk omformulering av tjänstespecifikationer. Proceedings of the IEEE International Conference on Services Computing, IEEE, s. 361–369.
  •   Pathak, J.; Basu, S.; Lutz, R.; Honavar, V. (2008). "MoSCoE: An Approach for Composing Web Services through Iterative Reformulering of Functional Specifications". Internationell tidskrift om verktyg för artificiell intelligens . 17 (1): 109–138. CiteSeerX 10.1.1.301.6753 . doi : 10.1142/s0218213008003807 .
  • Santhanam, G., Basu, S. och Honavar, V. (2008). TCP-Compose* - En TCP-nätbaserad algoritm för effektiv sammansättning av webbtjänster baserat på kvalitativa preferenser. Proceedings of the 6th International Conference on Service Oriented Computing, Springer-Verlag Lecture Notes in Computer Science, Vol. 5254. s. 453–467
  • Pathak, J., Basu, S. och Honavar, V. (2007). Om kontextspecifik utbytbarhet av webbtjänster. I: Proceedings of the IEEE International Conference on Web Services. s. 192–199. IEEE Tryck.
  • Pathak, J., Li, Y., Honavar, V., McCalley, J. (2007). En tjänsteorienterad arkitektur för Asset Management för elkraftöverföringssystem. Andra internationella workshopen om tekniska serviceorienterade tillämpningar: design och komposition, föreläsningsanteckningar i datavetenskap, Berlin: Springer-Verlag, 2007.
  • Pathak, J., Basu, S., Lutz, R. och Honavar, V. (2006). Välja och komponera webbtjänster genom iterativ omformulering av funktionella specifikationer. Proceedings of the IEEE International Conference on Tools With Artificial Intelligence (ICTAI 2006), Washington, DC, IEEE Press. Pris för bästa papper. s. 445–454.
  • Pathak, J., Basu, S. och Honavar, V. (2006). Modellering av webbtjänster genom iterativ omformulering av funktionella och icke-funktionella krav. Proceedings of the International Conference on Service Oriented Computing. Lecture Notes in Computer Science, Berlin: Springer, Vol. 4294, s. 314–326.
  • Pathak, J., Yuan, L., Honavar, V. och McCalley, J. (2006). A Service-Oriented Architecture for Electric Power Transmission System Asset Management, I: Proceedings of the Second International Workshop on Engineering Service-Oriented Applications: Design and Composition (WESOA-2006), Lecture Notes in Computer Science, Berlin: Springer-Verlag.
  • Pathak, J., Basu, S., Lutz, R. och Honavar, V. (2006). Parallell Web Service Composition in MoSCoE: A Choreography Based Approach. Proceedings of the IEEE European Conference on Web Services (ECOWS 2006), Zürich, Schweiz, IEEE. I pressen.
  • Pathak, J., Basu, S. och Honavar, V. Modellering av webbtjänstsammansättning med hjälp av symboliska övergångssystem. AAAI '06 Workshop on AI-Driven Technologies for Services-Oriented Computing (AI-SOC), Boston, MA, AAAI Press, 2006.
  • Pathak, J., Koul, N., Caragea, D. och Honavar, V. A Framework for Semantic Web Services Discovery. Proceedings of the 7th ACM International Workshop on Web Information and Data Management (WIDM 2005)., ACM Press. s. 45–50, 2005.
  • Pathak, J., Caragea, D. och Honavar, V. Ontologi-Utökade komponentbaserade arbetsflöden: ett ramverk för att konstruera komplexa arbetsflöden från semantiskt heterogena programvarukomponenter. VLDB-04 Workshop om semantisk webb och databaser. Springer-Verlag Lecture Notes in Computer Science., Toronto, Springer-Verlag. Vol. 3372. s. 41–56, 2004.

Tillämpad informatik: Bioinformatik, Hälsoinformatik, Materialinformatik

Dator- och informationssäkerhet

  • Liang, J., Guo, W., Luo, T., Honavar, V., Wang, G. och Xing, X. (2021) FARE: Enabling Fine-grained Attack Categorization under Low-quality Labeled Data. I: Proceedings of the Network and Distributed System Security Symposium.
  • Oster, Z., Santhanam, G., Basu, S. och Honavar, V. (2013). Modellkontroll av kvalitativa känslighetspreferenser för att minimera informationsutlämnande. Internationellt symposium om formella aspekter av komponentprogramvara. Springer-Verlag Lecture Notes in Computer Science Vol. 7684, s. 205–223, 2013.
  • Helmer, G.; Wong, J.; Slagell, M.; Honavar, V.; Miller, L.; Wang, Y.; Wang, X.; Stakhanova, N. (2007). "Programvarufelträd och färgad petrinätbaserad specifikation, design och implementering av agentbaserade system för intrångsdetektering". International Journal of Information and Computer Security . 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). "Mot automatisk generering av mobila agenter för distribuerade system för intrångsdetektering". Journal of Systems and Software . 79 : 1–14. doi : 10.1016/j.jss.2004.08.017 .
  • Kang, DK., Fuller, D., och Honavar, V. Lärande av missbruks- och anomalidetektorer från systemsamtalsfrekvensvektorrepresentation. IEEE International Conference on Intelligence and Security Informatics. Springer-Verlag föreläsningsanteckningar i datavetenskap, Springer-Verlag. Vol. 3495. s. 511–516, 2005.
  •   Helmer, G.; Wong, J.; Honavar, V.; Miller, L. (2003). "Lättviktsmedel för intrångsdetektion". Journal of Systems and Software . 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). "Ett programvarufelträdsmetod till kravspecifikation för ett intrångsdetekteringssystem". Krav Engineering . 7 (4): 207–220. CiteSeerX 10.1.1.101.853 . doi : 10.1007/s007660200016 . S2CID 7414703 .

Högsta betyg

externa länkar

Hämtad från " https://en.wikipedia.org/w/index.php?title=Vasant_Honavar&oldid=1129055937 "