VDMS 自动调优框架 VDTuner 利用多目标贝叶斯优化，能够高效探索复杂多维参数空间，并在搜索速度和召回率之间达到最佳配置，显著提高 VDMS 性能（搜索速度提高 14.12％，召回率提高 186.38％），相比于默认设置更加高效，优于最先进的基准测试（调优时间最多快 3.57 倍），并可扩展到特定用户偏好和成本感知优化目标。

Apr, 2024

我们提出了一种适用于大规模多维数据的聚合查询雕刻（AQS）的分面视觉查询技术。AQS 是一种 “天生可横向扩展” 的查询技术，它通过一个代表整个数据集的单个可视标记开始可视化。用户可以通过 P6 操作序列逐步探索数据集，包括旋转（基于属性进行聚合分面）、分隔（在空间中布置分面）、窥视（使用聚合可视化表示查看子集的内部）、堆叠（合并两个或多个子集）、项目（将子集提取到新基质中）和修剪（丢弃当前不感兴趣的聚合）。我们借助 Dataopsy 验证了 AQS 的可行性，Dataopsy 是一个专为桌面和基于触摸的移动设备上流畅交互而设计的 AQS 原型实现。我们通过两个案例研究和三个应用示例展示了 AQS 和 Dataopsy。

Aug, 2023

提出了可视化感知采样（VAS）方法，通过优化可视化启发式损失函数，从而在保证可视化质量的基础上，实现对大规模数据集的快速采样。实验表明，VAS 相比现有的方法具有更高的成功率和更快的速度，尤其在回归、密度估计和聚类等场景下。

Oct, 2015

在本研究中，我们介绍了 Hydro，它是一种以自适应查询处理（AQP）为特点的面向机器学习查询的数据库管理系统（DBMS），通过确保最佳谓词评估顺序和提高 UDF 执行的可伸缩性，能够快速评估基于 UDF 的查询谓词。通过集成 AQP，Hydro 不断监视 UDF 统计信息，以最佳顺序将数据路由到谓词，并动态分配资源来评估谓词。通过四个实例用例的演示，我们展示了 Hydro 相对于基准系统的高效性，提供了高达 11.52 倍的加速。

Mar, 2024

本文提出了一种直观的机制，通过多个阶段融合特征和注意力以很好地集成多模式特征，以解决音频视觉场景感知对话任务，并进一步分析了各种最先进的模型在该任务上的泛化能力。

Aug, 2019

本研究提出了一种知识库框架，通过构建一个大规模的多模态知识库来回答各种视觉查询，同时保持灵活性和可扩展性。研究表明所提系统能够取得有竞争力的结果，并能够应对更丰富的视觉查询。

Jul, 2015

我们设计和实现了一个视觉搜索系统，用于 JD.com 实时图像检索，在分布式分层架构和高效索引方法的支持下，能够支持数百亿个产品图像的实时视觉搜索，并处理频繁的图像更新。该系统可应用于电商等新兴应用领域，并希望分享我们的实践经验，激发中间件社区对于构建实用大规模系统的兴趣和欣赏。

Aug, 2019

PixelsDB 是一个开源的数据分析系统，通过自然语言接口和灵活的服务级别和价格，使得缺乏系统或 SQL 专业知识的用户能够高效地探索数据。

May, 2024

本文介绍了部署在微软必应中的 Web 规模通用视觉搜索系统，使用分级学习排序框架，基于各种最新深度学习视觉特征，并在分布式异构计算平台上实现，定量和定性实验表明，我们的系统能够支持 Bing 网站和应用程序上的各种应用。

Feb, 2018

本文提出 Matrix-LSTM，基于一系列 LSTM 节点的网格结构可以高效处理事件，并且可以学习端到端的基于任务的事件表面，比现有的重建方法具有更好的灵活性和表现力，在 MVSEC 基准测试中对光流估计以及在 N-Cars 数据集上的事件分类方面，跑出 state-of-the-art 的成绩。

Jan, 2020