5月11日，我校校友、美國羅格斯-新澤西州立大學商學院熊輝副教授應邀來學院訪問並作學術報告。
5月11日晚7時，熊輝副教授在西區3321教室作題為“Efficient Discovery of Confounders in Large Data Sets”的學術報告。安徽省政協副主席、管理學院方兆本教授和計算機學院的部分師生參加了報告會。報告會由陳恩紅教授主持。
陳恩紅教授首先向大家介紹了熊輝博士的經曆與現狀，並對熊輝博士的到來表示熱烈歡迎。熊輝博士用風趣幽默的語言表達了再次回到母校作報告的心情，這引起了同學們的陣陣笑聲。報告會在輕鬆愉快的氛圍中開始。
熊輝博士報告的主要內容是關於他2009年在ICDM會議上發表的一篇關於數據挖掘中相關性分析算法的文章《Efficient Discovery of Confounders in Large Data Sets》。他首先介紹了文章背景。相關性分析作為數據挖掘中的核心問題，已經被成功應用於眾多領域，如基於過去銷售信息的產品推薦係統、不同地理位置大氣現象相關性研究、公眾健康等等。相關性常常隱藏在海量的數據中，而對於相關性計算問題，很多統計技術隻能用於小樣本，不能應付大規模計算的要求。這篇文章提出了一種高效算法，可以識別混雜因素，計算局部相關性。
算法介紹部分，熊輝博士從介紹“辛普森悖論”這個概念說起，用加州大學伯克利分校被婦女團體以招生中有性別歧視為由告上法庭這個例子，說明在分析數據相關性時如果隻看全局不看局部就會犯錯誤，反之亦然。接著，他介紹了全局相關性和局部相關性的概念，並比較了傳統的Brute-Force、動態規劃算法和文章中的CONFOUND算法的效率。CONFOUND算法僅存儲對使用者有用的信息，大大減少了對時間和空間的消耗，並且數據集規模越大效果越好。
報告結束後的提問環節中，方兆本教授詢問了相關的研究進展並表示了濃厚興趣。同學們踴躍舉手發言，提出了經驗值如何確定、參數變化對實驗結果的影響等問題。熊輝博士詳細解答了同學們的疑惑，並與大家分享自己的研究心得。他說，他最喜歡閱讀新文章，並且將之轉化為數學問題，從中獲得新想法。作為數據挖掘方麵的研究人員，他最高興的就是可以拿到具有新特性的數據，從而改進為自己的算法。熊輝博士還向同學們介紹了已投入使用的移動推薦係統（Mobile Recommend System）。該係統利用美國舊金山出租車中車載GPS所記錄的信息，從效益好的司機處總結經驗並推薦給效益不好的司機，以提高出租車公司的效益。
在一個小時的報告會中，熊輝博士用生動有趣的案例和深入淺出的語言向大家展示了自己的工作成果。報告會最後，大家以熱烈的掌聲再一次對熊輝博士的精彩報告表示衷心感謝。
報告人簡介：
Dr. Hui Xiong received his Ph.D. from the University of Minnesota and the B.E degree from the University of Science and Technology of China (USTC). He is currently an Associate Professor at Rutgers University, where he received a two-year early promotion/tenure (2009), the Rutgers University Board of Trustees Research Fellowship for Scholarly Excellence (2009), an IBM ESA Innovation Award (2008), the Junior Faculty Teaching Excellence Award (2007) and the Junior Faculty Research Award (2008) at the Rutgers Business School. His general area of research is data and knowledge engineering, with a focus on developing effective and efficient data analysis techniques for emerging data intensive business applications. He is an Associate Editor of the Knowledge and Information Systems journal. He has served regularly in the organization committees and the program committees of a number of international conferences and workshops. More detailed information is available at http://datamining.rutgers.edu.
