大数据智能计算方面

AdaMBE二分图系统

AdaMBE二分图系统是浙江大学区块链与数据安全全国重点实验室大数据智能团队在浙江大学区块链与数据安全全国重点实验室、杭州高新区（滨江）区块链与数据安全研究院共同支持下研发的基于位图的动态子图算法、局部邻居缓存方法、自适应的最大Biclique枚举算法等先进技术实现的高效、可扩展的二分图系统。AdaMBE二分图评测平台提供了“形式化的理论验证”和“多维度、系统化的量化分析”的双重优势。与其他二分图系统相比，AdaMBE二分图系统提供了1.6倍～49.7倍的加速。并通过在数据集中成功枚举出的最大的二分图，展现了该系统的可扩展性和高效性。感兴趣的组织和个人可以通过下方提供的GitHub开源地址访问和下载相关代码。GitHub地址：https://github.com/ISCS-ZJU/AdaMBE

AMBEA二分图系统

AMBEA二分图系统是浙江大学区块链与数据安全全国重点实验室大数据智能团队在浙江大学区块链与数据安全全国重点实验室、杭州高新区（滨江）区块链与数据安全研究院共同支持下研发的激进集合枚举树、基于合并的激进剪枝方法等先进技术实现的高并行、可扩展的二分图系统。AMBEA二分图系统通过一个自动化脚本运行和代码部署，为用户提供友好的使用体验，可供用户应用于各种下游任务。与其他二分图系统相比，AdaMBE二分图系统提供了高达5.3倍的性能。并通过在数据集中成功枚举出的最大的二分图，展现了该系统的可扩展性和高效性。感兴趣的组织和个人可以通过下方提供的GitHub开源地址访问和下载相关代码。GitHub地址：https://github.com/ISCS-ZJU/AMBEA

分布鲁棒的图推荐系统

分布鲁棒的图推荐系统(DR-GNN)是浙江大学区块链与数据安全全国重点实验室人工智能数据安全团队在科技部科技创新2030-“新一代人工智能”重大项目、国家重点研发计划青年科学家项目、国家自然科学基金委区域创新发展联合基金重点项目、浙江省领雁计划项目等多个国家级/省部级项目以及浙江大学区块链与数据安全全国重点实验室的共同支持下，针对增强基于图的推荐系统分布外（Out-Of-Distribution, OOD）鲁棒性设计的图推荐模型。DR-GNN是一种设计简单、高效且具备理论保证的对分布外数据鲁棒的图推荐系统。基于图卷积过程与平滑正则项之间的等价性，DR-GNN为解释分布外数据如何影响图模型提供了一种全新视角，并进一步将分布鲁棒优化框架引入图推荐模型当中以有效增强其分布外鲁棒性。多个公开数据集上的实验证明，DR-GNN在三种推荐系统常见的OOD场景下均超越目前最先进的算法。详细介绍可点击如下链接：https://dl.acm.org/doi/pdf/10.1145/3589334.3645598感兴趣的组织和个人可以通过下方提供的GitHub开源地址访问和下载相关代码。Github地址：h

近似平均方向求解器

近似平均方向求解器（AMED-Solver）是浙江大学区块链与数据安全全国重点实验室人工智能数据安全团队在科技部科技创新2030-“新一代人工智能”重大项目、国家重点研发计划青年科学家项目、国家自然科学基金委区域创新发展联合基金重点项目、浙江省领雁计划项目等多个国家级/省部级项目以及浙江大学区块链与数据安全全国重点实验室的共同支持下，针对视觉大模型图像生成任务研发的加速采样算法。扩散模型广泛应用于文生图、视频生成等任务，是当前火热的视觉大模型的核心技术。然而，扩散模型逐步去噪的特性导致其生成速度极其缓慢，现有研究工作利用高阶数值方法提升生成效率，会使样本质量在少步数生成下（例如5步）显著降低。针对这些挑战，该工作基于对扩散模型生成轨迹的观察，提出了近似平均方向求解器AMED-Solver，通过直接学习快速扩散采样的均值方向来消除截断误差，在保证生成质量的情况下大幅提升生成效率。详细介绍见如下链接：https://arxiv.org/abs/2312.00094感兴趣的组织和个人可以通过下方提供的GitHub开源地址访问和下载相关代码。GitHub地址：https://github.co

MorphingDB人工智能数据库系统

MorphingDB人工智能数据库系统是浙江大学区块链与数据安全全国重点实验室人工智能数据安全团队在国家自然科学基金委区域创新发展联合基金重点项目、浙江省尖兵计划项目等多个国家级/省部级项目以及浙江大学区块链与数据安全全国重点实验室的共同支持下研发的AI原生数据库系统，支持非AI专家以声明式语言的方式进行人工智能应用开发的新范式。MorphingDB人工智能数据库系统在数据库引擎内部实现了深度学习计算框架，将通用神经网络算子实现为数据库中的算子，与关系代数算子进行统一处理与调度，支持混合关系代数与神经网络模型推理的复杂查询。在系统内部通过向量存储技术、量化技术、蒸馏技术、矩阵乘法转化技术等方式加速数据库内AI算子的推理过程。系统扩展SQL语言，将模型构建、模型管理、模型推理等实现细节与上层应用开发进行隔离，让普通开发者也可以快速搭建AI应用进行验证。感兴趣的组织和个人可以通过下方提供的GitHub开源地址访问和下载相关代码。GitHub地址：https://github.com/morphingdb

OpenGSL图结构学习评测平台

OpenGSL图结构学习基准库是浙江大学区块链与数据安全全国重点实验室图智能计算团队在浙江大学上海高等研究院繁星科学基金、国家自然科学基金以及浙江大学区块链与数据安全全国重点实验室的共同支持下研发的基于图结构学习理论、模型模块化构建、多维度综合评估等先进技术实现的多层面全方位图结构学习基准库。作为首个针对图结构学习领域的基准库，OpenGSL图结构学习基准库囊括了广泛的GSL算法，实现了公平的比较和系统的评估，为图结构学习研究领域设立了统一的参考标准。在此基础上，OpenGSL图结构学习基准库实现了从数据处理到算法开发、从模型训练到综合评估的模块化部署，能够针对不同应用场景提供个性化多样化的高性能图结构学习方案，有效地推动了该领域的进一步发展和创新。详细介绍可点击如下链接：OpenGSL图结构学习基准库感兴趣的组织和个人可以通过下方提供的GitHub开源地址访问和下载相关代码。GitHub地址：https://github.com/OpenGSL/OpenGSL

StarryGL时序图神经网络训练系统

StarryGL是由浙江大学繁星基金会支持研发的大规模分布式时序图神经网络学习框架。作为超大规模图推理机的重要组成部分，StarryGL致力于解决大规模图数据集上的高效训练问题，为时序图学习提供完整的解决方案。StarryGL具有三大核心技术优势：作为一站式图学习系统，StarryGL提供了图分区、存储、采样、特征缓存、模型训练和内存更新同步等完整的技术组件；在通用时序图支持方面，StarryGL全面覆盖静态图神经网络、连续时间动态图神经网络和离散时间动态图神经网络等各类模型；在计算效率上，StarryGL通过分布式集群实现了大规模图的高效训练，性能显著优于现有框架。相较于现有时序图神经网络训练框架，StarryGL通过多权值负载均衡的图划分、高效可拓展并行采样算子等创新设计，实现了卓越的性能提升：单机训练效率提升1.2-1.5倍，在4 GPU环境下可达到3倍加速比，同时保持相当的准确性。在具体指标上，时序图采样耗时减少34%～41%，采样吞吐量提升1.41～2.09倍，分布式GPU读写性能提升1.5-2倍。详细介绍可点击如下链接：https://starrygl.vipazoo.cn

SVBench基准框架

SvBench 是浙江大学区块链与数据安全全国重点实验室大数据智能团队在浙江大学区块链与数据安全全国重点实验室、杭州高新区（滨江）区块链与数据安全研究院共同支持下研发的针对Shapley Value计算构建的面向多种数据分析任务的基准框架，旨在针对特定数据分析目标，如数据估值、特征选择等，利用多种算法实现Shapley Value 的精确或近似计算，进而完成数据分析任务或提供相关洞见。该架构提供了四种常见数据分析任务和五种Shapley Value 近似计算算法作为可直接运行的基准测试。在实现算法的过程中，采用了剪枝、梯度近似、差分隐私等算法优化、模型训练加速和隐私保护技术，力求在计算效率、结果可靠性和隐私保护等方面实现最佳平衡。此外，SvBench 还具备灵活的模块化设计。整个架构分为配置加载器、采样器、效用计算器和输出模块等，绝大部分模块都支持用户根据需求进行定制甚至重制并无缝接入SvBench，从而执行特定的数据分析任务，确保了架构的良好扩展性和应用性。感兴趣的组织和个人可以通过下方提供的GitHub开源地址访问和下载相关代码。GitHub地址：https://github.co

有符号感知推荐系统方法

有符号感知推荐系统方法（SIGformer）是浙江大学区块链与数据安全全国重点实验室人工智能数据安全团队在科技部科技创新2030-“新一代人工智能”重大项目、国家重点研发计划青年科学家项目、国家自然科学基金委区域创新发展联合基金重点项目、浙江省领雁计划项目等多个国家级/省部级项目以及浙江大学区块链与数据安全全国重点实验室的共同支持下，针对同时含有正负反馈的有符号推荐场景，开发的一种新型的推荐系统方法。SIGformer克服了现有基于图的推荐方法未充分利用、甚至直接忽视图中负面反馈信息的缺点，将推荐系统中用户对物品的正负反馈信息建模为一张有符号图。SIGformer使用图Transformer机制自适应地捕捉图上节点的相关性，并设计了能捕获有符号图中图谱信息的谱编码和捕获两点间路径上边正负属性的路径编码，在有正负反馈的推荐场景下取得良好的推荐效果。详细信息可以参考论文：https://dl.acm.org/doi/abs/10.1145/3626772.3657747感兴趣的组织和个人可以通过下方提供的GitHub开源地址访问和下载相关代码。GitHub地址：https://github

联系我们

邮箱：sklbds@zju.edu.cn

地址：中国浙江省杭州市西湖区浙大路38号 · 浙江大学玉泉校区

扫一扫
关注我们

版权所有Copyright ©2024 浙江大学区块链与数据安全全国重点实验室 技术支持 : 寸草心科技管理登录 您是第 1000 位访问者