C1. 林欣副教授课题组在动态维度的时空查询方面取得重要进展。时空Skyline查询目标是得到时空数据库中“又近又好”的对象，它在智能推荐等领域有较大的应用价值。然而每个用户对“好”的定义是不同的，即关注对象的维度不同，因此林欣副教授课题组研究动态维度的时空skyline查询。同时假设时空数据存储在云计算平台上，为了防止云平台篡改数据结果，需要实现高效的查询结果验证。传统的验证方式是预计算部分和结果相关的信息进行索引，然而，由于用户的位置信息和关注的维度都是动态变化的，这种双动态使得完全预计算所有求解空间成了组合爆炸的问题。林欣副教授课题组提出一种“基础+优化”的组合方式，优化方式是针对某些热门查询解空间预计算处理并索引，基础方式覆盖所有解空间。该工作解决的问题比传统时空Skyline更加查询普适，因此大大提高了该查询的适用性。该项工作相关论文“Authenticating Location-Based Skyline Queries in Arbitrary Subspaces”发表于数据库领域顶级期刊《IEEE Transactions on Knowledge and Data Engineering》。

        C2. 孙仕亮副教授课题组在稀疏高斯过程的研究方面取得进展。高斯过程是一种重要的贝叶斯方法，可以用于模式分类以及回归估计。然而，由于时间复杂度是训练集大小的三次方，在处理较大规模数据集时高斯过程的时间开销会非常大。基于流形假设，最近提出的用于稀疏半监督学习的流形保持图约减算法可以有效地进行数据集的约减。它从原始数据集中选择高代表性的点，并去掉野值和噪声点。孙仕亮副教授课题组将流形保持图约减算法用于稀疏监督学习，针对高斯过程寻找数据集的稀疏表示。考虑到流形保持的图约减算法尚不能有效地考虑数据集的输出部分，在最初的流形保持图约减框架中嵌入了一个考虑输出的成分，从而提出了带输出的流形保持图约减算法用于稀疏高斯过程。在大量数据集上的试验都表明了所提出的方法可以很好地用于稀疏高斯过程的构建，而且性能优于之前的流形保持图约减算法。该工作发表于Neurocomputing期刊：Jiang Zhu, Shiliang Sun. Sparse Gaussian processes with manifold-preserving graph reduction. Neurocomputing, 2014, 138: 99-105.