Intern
    DMIR Research Group

    Seminar: Ausgewählte Themen des Web 2.0

    Veranstalter: Prof. Dr. Andreas Hotho, Alexander Dallmann, Thomas Niebler, Lena Schwemmlein und Daniel Zoller

    WueCampus-Kurs: Link

    Vorbesprechung: 11.04.2014 14:00-15:00 Uhr in B015

    Vorbesprechung

    Bei der Vorbesprechung werden die Themen - so nicht schon vergeben - an die anwesenden Seminarteilnehmer verteilt. Grundsätzlich besteht Anwesenheitspflicht. Teilnehmer, die bereits ein Thema bearbeiten, aber ohne Absprache fehlen, verlieren ihren Anspruch auf ihr Thema. Die Literatur zu einem Thema besteht zumeist aus einem Buchkapitel oder einem Satz wissenschaftlicher Aufsätze (Paper). In der Vorbesprechung werden auch die Termine für die Vorträge festgelegt.

    Ablauf des Seminars

    Es handelt sich um ein Blockseminar, d.h. Vorträge werde nicht über das Semester verteilt, sondern in einigen wenigen Sitzungen gegen Ende der Vorlesungszeit gehalten. Jeder Votrag behandelt ein spezifisches Thema mit zugehöriger Literatur und erstreckt sich etwa über 30 Minuten. Zu jedem Vortrag muss eine Ausarbeitung, eine Zusammenfassung und ein Foliensatz erstellt werden.

    Dannach setzt man sich in der Vorbereitungsphase mit dem gewählten Thema auseinander. Die gegebene Literatur wird aufarbeitet. Zuätzlich soll diese durch möglichst aktuelle Literatur ergänzt werden. Die Auswahl der weiteren Literatur trifft der Seminarteilnehmer letztendlich in Absprache mit dem Betreuer.

    Nachdem die Literatur feststeht wird eine Ausarbeitung, eine einseitige Zusammenfassung und ein Foliensatz erstellt.

    Zuletzt wird der Vortrag im Rahmen einer Blockveranstaltung gehalten. Ein Probevortrag ist sinnvoll und erfolgt in Absprache mit dem jeweiligen Betreuer. Bei jeder Blockveranstaltung gilt Anwesenheitspflicht.

    Themen

    Die Gundlage zu den Vorträgen bilden wissenschaftliche Aufsätze (Papers). Jedes hier aufgeführte Paper entspricht einem Thema.

    Sie finden die Publikationen auch unter http://www.bibsonomy.org/relevantfor/group/uw_ss14_web2.0:

    • themenrelevante Paper sind mit dem Tag thema versehen
    • die einzelnen Themen werden anhand der Tags thema:x, thema:y, etc. unterschieden
    • A Bayesian Hierarchical Model for Learning Natural Scene Categories. Li, Fei-Fei; Perona, Pietro (2005). 524-531.
       
    • A Flexible Metric Nearest-Neighbor Classification based on the Decision Boundaries of SVM for Hyperspectral Image. Ho, Hsin-Hua; Kuo, Bor-Chen; Taur, Jin-Shiuh; Li, Cheng-Hsuan (2008). 212-215.
       
    • A Model for Learning the Semantics of Pictures. Lavrenko, V.; Manmatha, R.; Jeon, J. in NIPS (2003).
       
    • A personalized tag-based recommendation in social web systems. Durao, F.; Dolog, P. in Adaptation and Personalization for Web 2.0 (2009). 40.
       
    • Active Learning for Interactive Multimedia Retrieval. Huang, T.S.; Dagli, C.K.; Rajaram, S.; Chang, E.Y.; Mandel, M.I.; Poliner, Graham E.; Ellis, D.P.W. in Proceedings of the IEEE (2008). 96(4) 648-667.
       
    • An Efficient Algorithm for Local Distance Metric Learning. Yang, Liu; Jin, Rong; Sukthankar, Rahul; Liu, Yi (2006). 543-548.
       
    • Annotation of paintings with high-level semantic concepts using transductive inference and ontology-based concept disambiguation. Leslie, Liza; Chua, Tat-Seng; Jain, Ramesh R. Lienhart, Prasad, A. R., Hanjalic, A., Choi, S., Bailey, B. P., Sebe, N. (eds.) (2007). 443-452.
       
    • Automated Tag Clustering: Improving search and exploration in the tag space. Begelman, Grigory; Keller, Philipp; Smadja, Frank (2006).
       
    • Automatic Image Annotation and Retrieval Using Cross-media Relevance Models. Jeon, J.; Lavrenko, V.; Manmatha, R. in SIGIR '03 (2003). 119--126.
       
    • Beyond Co-occurrence: Discovering and Visualizing Tag Relationships from Geo-spatial and Temporal Similarities. Zhang, Haipeng; Korayem, Mohammed; You, Erkang; Crandall, David J. in WSDM '12 (2012). 33--42.
       
    • Beyond Co-occurrence: Discovering and Visualizing Tag Relationships from Geo-spatial and Temporal Similarities. Zhang, Haipeng; Korayem, Mohammed; You, Erkang; Crandall, David J. in WSDM '12 (2012). 33--42.
       
    • Content-Based Image Annotation Refinement. Wang, Changhu; Jing, Feng; 0001, Lei Zhang; Zhang, Hong-Jiang (2007).
       
    • Correlative multi-label video annotation. Qi, Guo-Jun; Hua, Xian-Sheng; Rui, Yong; Tang, Jinhui; Mei, Tao; Zhang, Hong-Jiang R. Lienhart, Prasad, A. R., Hanjalic, A., Choi, S., Bailey, B. P., Sebe, N. (eds.) (2007). 17-26.
       
    • CYC: A Large-Scale Investment in Knowledge Infrastructure. Lenat, Douglas in Communications of the ACM (1995). 38(11) 33--38.
       
    • Discriminant Adaptive Nearest Neighbor Classification. Hastie, Trevor; Tibshirani, Robert U. M. Fayyad, Uthurusamy, R. (eds.) (1995). 142-149.
       
    • Distance Metric Learning for Large Margin Nearest Neighbor Classification. Weinberger, Kilian Q.; Saul, Lawrence K. in JMLR (2009). 207--244.
       
    • Distance Metric Learning for Large Margin Nearest Neighbor Classification. Weinberger, Kilian Q.; Saul, Lawrence K. in Journal of Machine Learning Research (2009). 10 207-244.
       
    • Distance Metric Learning with Application to Clustering with Side-Information. Xing, Eric P.; Ng, Andrew Y.; Jordan, Michael I.; Russell, Stuart J. (2002). 505-512.
       
    • Distance metric learning with application to clustering with side-information. Xing, Eric P; Ng, Andrew Y; Jordan, Michael I; Russell, Stuart in Advances in neural information processing systems (2003). 521--528.
       
    • Distance metric learning: A comprehensive survey. Yang, Liu; Jin, Rong in Michigan State Universiy (2006). 2
       
    • Distance metric learning: A comprehensive survey. Yang, Liu; Jin, Rong in Michigan State Universiy (2006). 2
       
    • Document recommendation in social tagging services. Guan, Ziyu; Wang, Can; Bu, Jiajun; Chen, Chun; Yang, Kun; Cai, Deng; He, Xiaofei M. Rappa, Jones, P., Freire, J., Chakrabarti, S. (eds.) (2010). 391-400.
       
    • Dual cross-media relevance model for image annotation. Liu, Jing; Wang, Bin; Li, Mingjing; Li, Zhiwei; Ma, Wei-Ying; Lu, Hanqing; Ma, Songde R. Lienhart, Prasad, A. R., Hanjalic, A., Choi, S., Bailey, B. P., Sebe, N. (eds.) (2007). 605-614.
       
    • Duality and Geometry in SVM Classifiers. Bennett, Kristin P.; Bredensteiner, Erin J. P. Langley (ed.) (2000). 57-64.
       
    • Efficient top-k querying over social-tagging networks. Schenkel, Ralf; Crecelius, Tom; Kacimi, Mouna; Michel, Sebastian; Neumann, Thomas; Parreira, Josiane X; Weikum, Gerhard (2008). 523--530.
       
    • Exploiting place features in link prediction on location-based social networks. Scellato, Salvatore; Noulas, Anastasios; Mascolo, Cecilia C. Apté, Ghosh, J., Smyth, P. (eds.) (2011). 1046-1054.
       
    • Flickr distance. Wu, Lei; Hua, Xian-Sheng; Yu, Nenghai; Ma, Wei-Ying; Li, Shipeng (2008). 31--40.
       
    • Geographic location tags on digital images. Toyama, Kentaro; Logan, Ron; Roseway, Asta L. A. Rowe, Vin, H. M., Plagemann, T., Shenoy, P. J., Smith, J. R. (eds.) (2003). 156-166.
       
    • Graphentheoretische Konzepte und Algorithmen Krumke, Sven Oliver; Noltemeier, Hartmut (2009). Springer DE.
       
    • I tag, you tag: translating tags for advanced user models. Wetzker, Robert; Zimmermann, Carsten; Bauckhage, Christian; Albayrak, Sahin in WSDM '10 (2010). 71--80.
       
    • Image Categorization by Learning and Reasoning with Regions. Chen, Yixin; Wang, James Ze in Journal of Machine Learning Research (2004). 5 913-939.
       
    • Image retrieval: Ideas, influences, and trends of the new age. Datta, Ritendra; Joshi, Dhiraj; Li, Jia; Wang, James Ze in ACM Comput. Surv. (2008). 40(2)
       
    • iMet: Interactive Metric Learning in Healthcare Applications. 0001, Fei Wang; Sun, Jimeng; Hu, Jianying; Ebadollahi, Shahram (2011). 944-955.
       
    • Kernel Matrix. Sammut, Claude; Webb, Geoffrey I. in Encyclopedia of Machine Learning (2010). 566.
       
    • Large-Scale Duplicate Detection for Web Image Search. Wang, Bin; Li, Zhiwei; Li, Mingjing; Ma, Wei-Ying (2006). 353-356.
       
    • Large-scale multimodal semantic concept detection for consumer video. Chang, Shih-Fu; Ellis, Dan; Jiang, Wei; Lee, Keansub; Yanagawa, Akira; Loui, Alexander C.; Luo, Jiebo J. Z. Wang, Boujemaa, N., Bimbo, A. D., Li, J. (eds.) (2007). 255-264.
       
    • Learning Distance Functions Using Equivalence Relations. Bar-Hillel, Aharon; Hertz, Tomer; Shental, Noam; Weinshall, Daphna (2003). 83-92.
       
    • Learning the Kernel Matrix with Semidefinite Programming. Lanckriet, Gert R. G.; Cristianini, Nello; Bartlett, Peter L.; Ghaoui, Laurent El; Jordan, Michael I. in Journal of Machine Learning Research (2004). 5 27-72.
       
    • Learning with idealized kernels. Kwok, J.T.; Tsang, I.W. in Proceedings of the Twentieth International Conference on Machine Learning (2003). 400--407.
       
    • Learning with Kernels Sch"olkopf, B.; Smola, A. J. (2002). MIT Press.
       
    • Mapping the World's Photos. Crandall, David J.; Backstrom, Lars; Huttenlocher, Daniel; Kleinberg, Jon in WWW '09 (2009). 761--770.
       
    • Mapping the World's Photos. Crandall, David J.; Backstrom, Lars; Huttenlocher, Daniel; Kleinberg, Jon in WWW '09 (2009). 761--770.
       
    • MapReduce: simplified data processing on large clusters. Dean, Jeffrey; Ghemawat, Sanjay in Communications of the ACM (2008). 51(1) 107--113.
       
    • Metric Learning. Weinberger, Kilian Q. (2010).
       
    • Mining the Peanut Gallery: Opinion Extraction and Semantic Classification of Product Reviews. Dave, Kushal; Lawrence, Steve; Pennock, David M. (2003).
       
    • N-gram-based text categorization. Cavnar, W.B.; Trenkle, J.M. in Ann Arbor MI (1994). 48113(2) 161--175.
       
    • Neighbourhood Component Analysis. Goldberger, Jacob; Roweis, Sam; Hinton, Geoff; Salakhutdinov, Ruslan (2005).
       
    • On Kernel Target Alignment. Cristianini, Nello; Kandola, Jaz; Elisseeff, Andre; Shawe-Taylor, John in Innovations in Machine Learning, D. E. Holmes, Jain, L. C. (eds.) (2006). 205--256.
       
    • Personalized recommendation via integrated diffusion on user--item--tag tripartite graphs. Zhang, Zi-Ke; Zhou, Tao; Zhang, Yi-Cheng in Physica A: Statistical Mechanics and its Applications (2010). 389(1) 179--186.
       
    • Personalized tag suggestion for flickr. Garg, Nikhil; Weber, Ingmar (2008). 1063--1064.
       
    • Probabilistic Latent Semantic Analysis. Hofmann, Thomas (1999).
       
    • Probabilistic latent semantic indexing. Hofmann, Thomas (1999). 50--57.
       
    • Query oriented subspace shifting for near-duplicate image detection. Wu, Lei; Liu, Jing; Yu, Nenghai; Li, Mingjing (2008). 661-664.
       
    • Region-based visual attention analysis with its application in image browsing on small displays. Liu, Huiying; Jiang, Shuqiang; Huang, Qingming; Xu, Changsheng; Gao, Wen R. Lienhart, Prasad, A. R., Hanjalic, A., Choi, S., Bailey, B. P., Sebe, N. (eds.) (2007). 305-308.
       
    • Semantic concept-based query expansion and re-ranking for multimedia retrieval. Natsev, Apostol; Haubold, Alexander; Tesic, Jelena; Xie, Lexing; Yan, Rong R. Lienhart, Prasad, A. R., Hanjalic, A., Choi, S., Bailey, B. P., Sebe, N. (eds.) (2007). 991-1000.
       
    • Semantic Modeling and Knowledge Representation in Multimedia Databases. Al-Khatib, Wasfi; Day, Young Francis; Ghafoor, Arif; Berra, P. Bruce in IEEE Trans. Knowl. Data Eng. (1999). 11(1) 64-80.
       
    • Semantic subspace projection and its application in image retrieval. Jie Yu, Qi Tian (2008).
       
    • Statistical Learning and Kernel Methods. Technical Report (2000-23), Sch"olkopf, Bernhard (2000).
       
    • Tag-aware recommender systems by fusion of collaborative filtering algorithms. Tso-Sutter, Karen HL; Marinho, Leandro Balby; Schmidt-Thieme, Lars (2008). 1995--1999.
       
    • The Google Similarity Distance. Cilibrasi, Rudi L.; Vitáni, Paul M.B. (2007).
       
    • The YouTube Social Network. Wattenhofer, Mirjam; Wattenhofer, Roger; Zhu, Zack J. G. Breslin, Ellison, N. B., Shanahan, J. G., Tufekci, Z. (eds.) (2012).
       
    • Unifying user-based and item-based collaborative filtering approaches by similarity fusion. Wang, Jun; De Vries, Arjen P; Reinders, Marcel JT (2006). 501--508.
       
    • Using Tag Co-occurrence for Recommendation. Wartena, Christian; Brussee, Rogier; Wibbels, Martin (2009). 273-278.
       
    • Visual language modeling for image classification. Wu, Lei; Li, Mingjing; Li, Zhiwei; Ma, Wei-Ying; Yu, Nenghai (2007). 115--124.
       
    • WordNet - A lexical database for the English language. Cognitive Science Laboratory, Princeton University (2006).
       

    Leistungsnachweis

    Ein (1!) Tag vor dem ersten geplanten Vortrag sind per Email als PDF dem Betreuer abzugeben:

    • eine 12-seitige Ausarbeitung im hier beschriebenen Format (eine Vorlage für LaTeX findet sich  hier, die Vorlage für Word ist hier)
    • eine einseitige Zusammenfassung (die allen Teilnehmern ausgehändigt wird),
    • der Foliensatz

    Die einseitige Zusammenfassung wird von dem Betreuer drei Tage vor dem Seminarvortrag an alle Teilnehmer gesendet, so dass sich die Teilnehmer auf die vorgetragenen Themen einstellen können. 

    Vorherige Absprachen mit dem Betreuer sind ausdrücklich erlaubt. Alle verwendeten Referenzen sind zusätzlich zum Literaturverzeichnis der Ausarbeitung in www.bibsonomy.org mit den folgenden Tags einzugeben:

    "seminar", "ss2014", "talk", den Tags des jeweiligen Themas und weiteren sinnvollen Tags.

    Die Vortragsdauer beträgt verbindlich 30 Minuten, nach dem Vortrag besteht Gelegenheit zur Diskussion. Der Vortrag (inkl. Folien und Abstract) geht mit 40% in die Endnote ein, die Ausarbeitung ebenfalls mit 40%. Die letzten 20% bewerten die Eigenständigkeit der Ausarbeitung, Einhaltung von Terminen, Beteiligung am Seminar etc.

    Das Thema kann bis zu zwei Wochen nach der Vorbesprechung noch abgelegt werden. Dies muss schriftlich erfolgen. Geschieht dies nicht, muss auf jeden Fall eine Ausarbeitung abgegeben und ein Vortrag gehalten werden. Wird dies nicht getan, so zählt das Seminar als nicht bestanden.

    Bearbeitungshinweise

    Als Richtlinie für die Erstellung einer guten Seminararbeit (inkl. Vortrag und Ausarbeitung) wird das Buch

    Markus Deininger and Horst Lichter and Jochen Ludewig and Kurt Schneider. Studien-Arbeiten: ein Leitfaden zur Vorbereitung, Durchführung und Betreuung von Studien-, Diplom- Abschluss- und Doktorarbeiten am Beispiel Informatik. 5. Auflage. vdf Hochschulverlag, Zürich, 2005. 

    empfohlen, welches beim Betreuer des Seminars (Prof. Dr. Andreas Hotho) ausliegt. Wir empfehlen die Anschaffung dieses Buchs (9,50 €), da es Sie bis zur Masterarbeit (und weiter) begleiten kann. Die Benotung der Seminararbeit erfolgt in Anlehnung an das dort auf Seite 77 angegebene Schema, angepasst auf die Erfordernisse einer Seminararbeit.

    Weiteres

    Es ist möglich, sich während der Semesterferien bei Alexander Dallmann, Thomas Niebler, Lena Schwemmlein oder Daniel Zoller zu melden, um möglichst zeitnah ein Thema zu erhalten.

     

    Social Media
    Kontakt

    Andreas Hotho
    DMIR Research Group
    Am Hubland
    97074 Würzburg

    Tel.: +49 931 31-86731
    Fax: +49 931 31-86732

    Suche Ansprechpartner

    Hubland Süd, Geb. M2