Уважаемые коллеги, доброго времени суток! Представляем вам Journal of Information Processing Systems - научное издание из Южной Кореи. Журнал имеет третий квартиль, издается в Korea Information Processing Society (KIPS), его SJR за 2020 г. равен 0,288, печатный ISSN - 1976-913X, электронный - 2092-805X, предметные области - Информационные системы, Информатика – информационные системы, Компьютерные науки, Программное обеспечение. Вот так выглядит обложка:
Здесь два редактора - Ёнг Хук Парк, контактные данные -parkjonghyuk1@hotmail.com, jamespark.seoul@gmail.com, jhpark1@seoultech.ac.kr
и Винченцо Лойя - loia@unisa.it.
Это рецензируемый ежеквартальный журнал, который публикует высококачественные статьи после их тщательного рассмотрения. К публикации принимаются статьи, в том числе материалы теоретических исследований, представляющие новые методы, концепции или анализы, отчеты об опыте, эксперименты, связанные с внедрением и применением новых теорий и учебные пособия по современным технологиям, связанным с системами обработки информации. Кроме того, редакционная коллегия журнала отбирает избранные статьи с выдающимися вкладами и результатами и представляет их на домашней странице журнала. Темы, охватываемые этим журналом, включают, но не ограничиваются, темами, связанными с:
а) компьютерными системами и теорией;
б) мультимедийными системами и графикой;
в) системами связи и безопасности;
г) программными системами и приложениями.
Адрес издания - http://jips-k.org/
Пример статьи, название - A Federated Multi-Task Learning Model Based onAdaptive Distributed Data Latent Correlation Analysis. Заголовок (Abstract) - Federated learning provides an efficient integrated model for distributed data, allowing the local training of different data. Meanwhile, the goal of multi-task learning is to simultaneously establish models for multiple related tasks, and to obtain the underlying main structure. However, traditional federated multi-task learning models not only have strict requirements for the data distribution, but also demand large amounts of calculation and have slow convergence, which hindered their promotion in many fields. In our work, we apply the rank constraint on weight vectors of the multi-task learning model to adaptively adjust the task’s similarity learning, according to the distribution of federal node data. The proposed model has a general framework for solving optimal solutions, which can be used to deal with various data types. Experiments show that our model has achieved the best results in different dataset. Notably, our model can still obtain stable results in datasets with large distribution differences. In addition, compared with traditional federated multi-task learning models, our algorithm is able to converge on a local optimal solution within limited training iterations. Keywords: Data Distribution, Federated Multi-Task Learning, Rank Constraint, Underlying Structure
