Seminaria ogólnoinstytutowe:

Wystąpienie dotyczyć będzie weryfikacji modelowej zdolności strategicznych przy niepełnej informacji, specyfikowanej w logice ATLir. Jest to trudny problem, którego złożoność rozciąga się od NP-zupełności do nierozstrzygalności, w zależności od szczegółów specyfikacji. Dodatkowo, dla niepełnej informacji nie zachodzą zależności stałopunktowe, co znacząco utrudnia syntezę strategii wygrywających. W wystąpieniu zaprezentuję translację z ATLir do formuł stałopunktowych, zapewniające dolną i górną aproksymację weryfikacji. Rozpocznę od pokazania, dlaczego pierwsze, naiwne podejście nie działa. Następnie zaprezentuję, w jaki sposób może ono zostać zmodyfikowane do osiągnięcia gwarantowanego dolnego ograniczenia. Opowiem także o zmodyfikowanym operatorze następnego kroku, który używany jest w operacjach stałopunktowych. Na sam koniec pokazane zostaną wyniki eksperymentalne.

Powszechnie zakłada się, że celem analizy skupień jest taki podział zbioru obiektów na grupy, by elementy grupy były do siebie jak najbardziej podobne, a elementy między grupami różniły się maksymalnie. Pytanie, które podnosimy w tym referacie brzmi: CZYŻBY?

Ćwierćwiecze naukowych i prakseologicznych dociekań autora na własnościami algorytmów analizy skupień, zainspirowanych twierdzeniem Watanabe, doprowadziły do wniosku, iż dodatkowym wymiarem jest tu domyślny podział indukowany przez algorytm. Podział domyślny to taki, który jest implikowany przez algorytm grupowania w sytuacji, gdy w rzeczywistości zbiór nie rozpada się na naturalne grupy. Stąd interesujące są tylko te podziały na grupy, które są odległe od domyślnego dla danego algorytmu.
Powyższa hipoteza zostanie zilustrowana na podstawie tzw. algorytmów grupowania kompromisowego oraz metagrupowania. Obie kategorie algorytmów próbują wyjść naprzeciw problemowi zwracania różnych podziałów na grupy tego samego zbioru przez różne algorytmy analizy skupień. Algorytmy kompromisowe poszukują podziału najbliższemu wszystkim uzyskanym podziałom. Algorytmy metagrupowania traktują podziały jako obiekty i grupują je, by zobrazować użytkownikowi, jakie typy podziałów zbioru występują, by użytkownik sam mógł dokonać wyboru najlepszego grupowania.
W referacie skupiamy się na grupowaniu kompromisowym i metagrupowaniu uniwersum wszystkich możliwych podziałów. Teoretycznie jest to sytuacja, w której brak jest struktury w danych. Jednak wykażemy, że znane algorytmy zwrócą pewien konkretny podział, podział domyślny. Fakt ten stanowi wyzwanie dla dalszego rozwoju metod analizy skupień.

Human identification protocols are challenge-response protocols that rely on human computational ability to reply to random challenges from the server based on a public function of a shared secret and the challenge to authenticate the human user. One security criterion for a human identification protocol is the number of challenge-response pairs the adversary needs to observe before it can deduce the secret. In order to increase this number, protocol designers have tried to construct protocols that cannot be represented as a system of linear equations or congruences. In the talk, we take a closer look at different ways from algebra, lattices and coding theory to obtain the secret from a system of linear congruences. We then show examples of human identification protocols from literature that can be transformed into a system of linear congruences. The resulting attack limits the number of authentication sessions these protocols can be used before secret renewal.

We will present a new way of addressing the challenges of patent analytics, and in particular of prior art retrieval. In this context, we discuss the recent progress in incorporating word order and semantics to the representations of text meaning that has yielded promising results in computational text classification and analysis. This development, and the availability of a large number of legal rulings from the PTAB (US Patent Trial and Appeal Board) motivated us to revisit possibilities for practical, computational models of legal relevance - starting with this narrow and approachable niche of jurisprudence. We present results from our analysis and experiments towards this goal using a corpus of approximately 8000 rulings from the PTAB. This work makes three important contributions towards the development of models for legal relevance semantics: (a) Using state-of-art Natural Language Processing (NLP) concept embeddings methods, we characterize the diversity and types of semantic relationships that are implicit in practical judgements of legal relevance at the PTAB (b) We achieve new state-of-art results on practical information retrieval using our customized semantic representations on this corpus (c) We outline promising avenues for future work in the area - including preliminary evidence from human-in-loop interaction, and new forms of text representation developed using input from over a hundred interviews with practitioners in the field. Finally, we argue that PTAB relevance is a practical and realistic baseline for performance measurement - with the desirable property of evaluating NLP improvements against “real world” legal judgement.