This Site has been moved to http://victorfang.wordpress.com/

Please visit:

http://victorfang.wordpress.com/


The reason is that, some countries like Chinese government banned blogger site.

中国古代音乐

上课时老师讲到，中国民族调式是5声调，宫商角徵羽， 对应的是CDEGH for an octave.

中国古人为何如此设计？这根源于民族性。中国传统文化注重的是稳重，大气，中庸，而五声调式的五个音，无论如何排列，都让人感到某种程度的和谐，相对于巴赫所奠基的十二平均律，由于很多半音的存在，增大了冲突的可能性。

但是，可笑的是，正是这种和谐，成为中国古代音乐发展的桎梏。就像一头笨重的大象，每步都很沉重而又充满了可笑的自豪，导致到了无法改正的地步。而巴赫所奠定的框架，提供了一个很科学和包容的设计，虽然相对于某些特别的乐器比如小提琴来说还是不够精确，但是足以规范近现代音乐的发展。

CS Highschool Summer Camp 2010

I'm the tutor for CS Highschool Summer Camp 2010, and it seems that we've got several coding genius in class. :)

Fun to watch them code!

Young men on the road!

Future of PC

Cloud computing is everywhere in our world now, when you are able to see this article. It's now stored in some harddrive, in the massive Google blogger distributed system, and when you request it (by a mouse click on the article title or link), it's then retrieved by some hash values and locate that particular harddrive which maybe in US, China, or Eu, and display on your browser in some other place on this planet.

Amazing, right?

Lots of modern information technologies rely on this mechanism and architecture, and meanwhile, people are more likely and happier to generate their word bytes on the cloud.

In the future, maybe less than 10 years, PC will disappear and fade out like some old-fashioned tech. Those ISP companies like TimeWarner, AT&T, would just provide you a FREE simple "device" like a light weight netbook, (maybe you need to purchase your own screen for <200$ ) and with a cable, for a 50$/month contract. High performance CPU like the one you use to fire these web surfing, will only remain in labs or mainframes. All computation demanding app will be moved into the clouds, and you won't know your piece of blog sit where, one thing you would be sure is, whenever you retrieve it, it would come to you.

音乐词汇小集

《音乐词汇小集》

Adagio: 慢板 常见于交响曲或协奏曲的第二乐章，也可以是慢速乐曲的名称，

如Albinoni的Adagio。

Aria:咏叹调，抒情调 配有伴奏的独唱曲，是歌剧或清唱剧里的歌曲，有时也用于抒情的器乐曲上。

Cadenza:华采乐段 协奏曲或歌剧咏叹调接近尾段时，由独奏/唱者卖弄技巧的过门。十九世纪以前协奏曲的华采乐段都是即兴演奏的，但 自贝多芬以后大多是作曲家或独奏者事先撰写的。

Cantata:清唱剧 以宗教文字为歌词，配以器乐伴奏的乐曲，但也有极少数是非宗教的世俗清唱剧。

Chamber Music:室乐 三至十五件乐器合奏的器乐曲，如三重奏(Trio),四重奏(Quartet),五重奏(Quintet) 等。

Chamber Orchestra:室乐团 约十五至二十五人组成的小型管弦乐团。

Chanson:歌曲 法文歌曲的意思。

Chorale:圣咏曲 德国新教或路得教会的一种感恩赞美诗歌。

Coda:尾奏 拉丁文尾巴的意思。一个乐章/曲的终结乐段。

Concerto:协奏曲 巴罗克时期发展出来的曲种，通常是一件独奏乐器和管弦乐团合奏的乐曲，有时独奏乐器会有两至四件。

Concerto Grosso:大协奏曲 独奏协奏曲的先驱。比古典或浪漫时期的协奏曲结构规模较小，大协奏曲的独奏乐器通常都有两件或以 上。

Opera:歌剧 谱成音乐的戏剧，音乐，台词和剧情都具有同等的重要性。四百年来歌剧艺术衍生出不同的类型：严肃歌剧(Opera
Seria)，诙谐歌剧(Opera Buffa)，美声歌剧(Bel Canto
Opera)，轻歌剧(Operetta)，德国轻歌剧(Singspiel)，乐剧(Music Drama)和法国喜剧歌剧(Opera
Comique)等。

Opus(Op.):作品编号 拉丁文作品的意思。作曲家或音乐出版商以此编排作品，通常作品编号愈小，亦即是作曲家愈早期的作品。

Oratorio:神剧 原意是指祈祷室，十六世纪发展成的一种音乐类型。与歌剧相似，但唱词均以圣经为蓝本，也没有舞台布置或服装。

Orchestra:管弦乐团 十五人以上组成的乐团。Orchestra不一定混合管乐和弦乐，纯粹的管乐团或弦乐团也称为 Orchestra。

Overture:序曲 法文开放的意思，是歌剧或神剧等同类作品开始时的器乐前奏。浪漫时期发展出音乐会序曲(Concert
Overture)，是一种独立的管弦乐作品。

Partita:组曲 原是一种主题与变奏(Theme and Variations)的曲式，巴罗克时期演变成组曲的意思。

Plainsong:素歌 (请参阅Gregorian Chant)。

Polyphony:复音音乐 两个或以上独立声部组合的音乐。

Prelude:前奏曲 浪漫时期用于歌剧或芭蕾舞剧每一幕的前奏，有时更取代序曲。也是一种没有明确形式的独立乐曲，通常是十分简短的钢琴 曲。

Programme Music:标题音乐 以纯音乐描述一个标题甚至故事的器乐曲。

Recitative:宣叙曲 在歌剧或神剧中以歌唱方式说话。与咏叹调比较，宣叙调着重叙事，音乐只是附属性质。

Requiem:安魂曲 天主教礼仪为死者送葬的弥撒曲。

Rhapsody:狂想曲 浪漫时期一种形式自由的曲种，经常以既有的旋律为基础写成的器乐曲。

Rondo:回旋曲 古典时期一种节奏轻快的曲式。其中的主要乐段会与其他乐段轮替出现。回旋曲大多出现于协奏曲或奏鸣曲的终结乐 章，但也会独立乐曲的形式出现。

Scherzo:诙谐曲 意大利文玩笑的意思。十九世纪由贝多芬发展出来，取代小步舞曲(Minuet)的地位。

Serenade:小夜曲 意指夜间的音乐。十八世纪时一种多乐章组成的器乐曲，经常是为庆祝活动而写的。

Sonata:奏鸣曲 意大利文声响的意思，有别于歌唱的声音。奏鸣曲是一种专为某种乐器而写的音乐。除了钢琴奏鸣曲以外，大多数的 奏鸣曲都有钢琴伴奏，但也有巴罗克时期的三重奏鸣曲(Trio
Sonata)是为三件乐器而写的(其实是四人合奏的，但伴奏者不算在内)。

Sonata Form:奏鸣曲式
古典时期发展出来的一种曲式，常有于交响曲或协奏曲的第一乐章，由呈现部(Exposition)，发展部(Development) 和再现部
(Recapitulation)组成。两个风格不同的主题在呈现部出现，在发展部变化，最后于再现部重复作结。

Suite:组曲 巴罗克时期的组曲大多是由一系列舞曲组成的。在浪漫时期，组曲也会是由歌剧或芭蕾舞剧改编成的乐曲，或独立的音乐会组曲(Concert
Suite)。

Symphonic Poem:交响诗 浪漫时期的一种单乐章管弦乐曲。

Symphony:交响曲 古典时期发展出来的重要曲种，其实就是管弦乐奏鸣曲，通常由四个乐章(也有三个或五个的)组成的大型管弦乐曲，有 时也会加入声乐。

Tempo:速度 意大利文时间的意思，泛指乐曲演奏时的速度，常见的有：Largo(宽广的)，Adagio(缓慢的)，Moderato(中 庸速度)，Andante(行板)，Allegro(欢乐的快板)和Presto(非常快)。

Theme and Variation:主题与变奏 (请参阅Variation)。

Toccata:触技曲 意大利文触碰的意思，是一种表现演奏者技巧的器乐独奏曲，大多数是为键盘乐器而作的。

Tone Poem:音诗 与交响诗(Symphonic Poem)同义。

Variation:变奏曲 以同一主题(Theme)作一连串变奏的乐曲。在每个变奏中，同旋律会以不同和声，节奏，速度，加减音符甚至倒弹 出现。

Voices:声部，人声 人声可依音域分成大类：女高音(Soprano)，女中音(Mezzo-Soprano)，女低音(Alto)，男 高音(Tenor)，男中音
(Baritone)和男低音(Bass)。每个音域中还有特别的区分，如花腔女高音(Coloratura
Soprano)和抒情男高音(Lyric Tenor)。


《速度、力度、表情记号》

---速度记号---
Largo 最缓板
Aentoq 缓
Adagio 慢板
Larghetto 甚缓板
Andamtte 行板
Andantino 小行板
Moderato 中板
Allegretto 稍快板
Allegro(All"o)Moderato 中庸的快板
Allegro 快板
Allegro Assai 很快的快板
Allegro vivace 活泼的快板
Vivace 甚快板（活泼的）
Presto 急板
Prestissimo 最急板

Piu allegro 速度转快
Meno allegro 速度转慢
Piu mosso 更快
Poco a poco 逐渐地
Accelerado=accel渐快
Ritardando=rit. 渐慢
Rallentando=Rall.渐慢
A tempo 原速，速度还原
Tempo primo=Tempo I原速，速度还原



---力度记号---
pp pianissimo 最弱
p piano 弱
mp Mezzo piano 中弱
mf Mezzo forte 中强
f Forte 强
ff Fortissimo 非常强
cresc. 渐强
Crescendo 渐强
< 渐强
decresc. 渐弱
Decrescendo 渐弱
> 渐弱
dim Diminuendo 渐弱
poco 稍微、略
piu 更、愈
>^.Accento 加强地，突强，特重
sf Sforzando 加强地，突强，特重
fz forzatoo 加强地，突强，特重
rf.rfz.rinf. Rinforzando加强地，突强，特重
fp Forte piano 加强地，突强，特重



---表情记号---
Agitato 激动地，兴奋地
Animato 精神焕发地
Appassionnato 热情地，热烈地
Brillante 华丽的
Cantabile 如歌般的
Con brio 辉煌灿烂的
Con moto 活跃的，稍快的
Con spirito 精神抖擞的
Dolce 甜蜜的，温柔的
Doloroso 伤心的，悲痛的
Energiaco 用力的，加强的
Espressivo 富有表情的
Grave 极缓慢的
Grazioso 优雅的
Legato 圆滑的
Leggiero 轻快的
Maestoso 庄严的
Marcato 加强的
Molto 很，甚
Morendo 逐渐消失
Scherzando 诙谐的
Sostenuto 音要持续的
Subito 突然的，立刻的
ten.=tenuto 音要尽量保持
Tranquillo 安静的，平静的
Vivo 活泼

Joke

Sun is going to sue Eclipse.

The Adventure of Lawrence Jiaqi Jin

摘要：此人三年时间念完清华基础科学班，得到综合和专业GPA双料第一。后到加州理
工用8个月时间念完硕士。然后在
华尔街工作。最忙的时候，此人能长时间连续每天工作20小时。

From the California Institute of Technology to Citigroup Corporate and
Investment Banking

The Adventure of Lawrence Jiaqi Jin

《跳级在清华》

1．前言

每一个人都有自己的一段历史，每一个人的过往都可以写一本书。我所记录的，只是自
己简单而平凡的故事，而且我始
终相信，那些有理想，懂得把握自己的后来人们，一定会做得更加出色。我不知道道命
运会把我带到什么地方，但我一
直会用善良维护左右。谨以此文，纪念我逝去的学生时代。

2．记忆封存中的懵懂岁月

小学时候的我，无非只是淘气和贪玩，虽然每件事情都会努力认真做好，但是我并不是
好胜求强的那种人。直到很偶然
的因为《迎春杯》数学竞赛的缘故保送到北京市重点中学---北京五中之后，才渐渐开
始知道努力超越的道理。初中三
年级以后，我的成绩一直保持在年级前三名，并且渐渐在数学物理化学上面崭露头角。
除了大小的全国市区奖项得了不
少之外，由于高中数学物理联赛一等奖的缘故，我在2002年被保送入清华大学的基础科
学班。在这个清华内部堪称最苦
最累的地方开始了一段难忘的经历。

基础科学班是杨振宁教授在97年回国时候提议成立的，外界称其为”诺贝尔班”，《
Science》杂志也专门报道过。这个
班目标是培养有国际竞争力的新世纪人才。基科班每年从全国联赛保送生中选拔30人，
再从清华3500名新生中选拔30
人。所以成员不少是奥林匹克竞赛金牌和各省高考状元。仅基科2000班60人中就有5名
高考状元。竞争之激烈，学生质
量之高，可以想见。基础科学班的学生拥有其他院系学生没有的特权。选课所受限制少
，同时授课老师大多是该领域的
权威教授，此外这个班的学生在大三可以在全校乃至全国范围内选择教授作为导师，并
且开展富有挑战性的科研训练。

3．跳级尝试

进入基科班以后，前所未有的压力接踵而来。我所在的班，一共62人，4位国际奥林匹
克金牌得主，2名高考状元,剩下
的多是全国联赛决赛圈的一二等奖获得者。纵然我在中学里算是首屈一指的人物，但是
跻身清华精英中的精英里，实在
是逊色了不少。但是我一直有个信念，就是不管事情多难，我都要凭借自己的努力做到
最好。不管对手多强，我都要攀
登高峰脱颖而出。拥有这股决心，我很快开始了迅速上位的过程。我细心观察周围同学
身上的优点，大到思维方式，小
到课堂笔记，我都一一琢磨，争取尽量吸取其中精华并为己用。虽然我并不聪明，但是
凭着直觉和理想，我在普通物
理，高等微积分等大一课程上都取得了接近满分的成绩，并且在2003年冬天开始运作跳
级事宜，争取提前一年从清华大
学毕业，并且去到世界超一流大学进一步深造。

本科跳级对于很多人来讲想都没有想过，更何况是在清华最难出头的基础科学班。我认
真研究了整个大学四年的培养方
案，然后向学校提出了一套改编的计划，专门为我跳级所用。然而不管在哪里，保守势
力总是存在的，对于自主求新的
我来讲，因此遇到的阻力的确不少。直到我在大一下学期修了高年级的量子力学和数值
分析，并且获得接近满分的成
绩，又在电磁学考试半个年级不及格的情况下取得100分，阻碍我前行的声音才渐渐收
敛。

        2003年暑假，在教务处和学校领导的支持下，我成功转入基科1字班，向着更
高的梦想继续迈进。

4．GPA之争

所谓GPA,也就是学分积，是国外大学衡量本科生表现的重要因素之一。为了不影响去世
界超一流大学，我对GPA自然是
倍加重视。但是因为跳级，我在大一就要选大三大四的课程，体育课每学期上两个不说
，小学期课程也要double。种种
困难一一袭来，但是我都悉心应对。拥有每天工作20小时的功底，我终于在跳级完成之
后依然在高年级位列最终综合排
名和专业排名的双料第一，为出国申请打下了好的基础。

在交叉选课的过程中，我渐渐发现了灵活带来的好处。很多高年级的课程对低年级课程
有指导意义，同时低年级课程中
的浅显例子又对理解高深的概念大有裨益。所以只要搭配得当，方式巧妙，看似很难的
跳跃交叉实际却也是有途可循
的。

5．本科科研尝试

最早选择保送基础科学班的一个重要原因就是这个班的学生可以在大三进入课题组师从
国内权威院士专家

进行科研训练，这无非对申请出国读graduate school提供了帮助。对我而言，因为跳
级少了一年，大二进入课题组便
成了必须，为此我花了很多功夫来了解清华各个院系的实验室，最后在教育部重点实验
室之一的量子信息与测量实验室
以及清华大学微电子所同时展开科研，此外还会利用空余去高等研究中心听报告并与教
授讨论问题。除了应付跳级带来
的冲击，我每天深夜看paper,并且尝试在seminar上面做presentations,最后终于在大
二结束前完成两篇关于quantum
information and quantumcomputation的文章并投Physical Review

《华尔街的随机游走》

6.        出国申请

在经过两年的课程学习及科研训练之后，我开始了申请之旅。除了GRE, TOEFL之外，
papers, personal statement,
recommendation letters都是重要因素。我当时就想，既然我能两年读完别人三年的东
西还拿到年级第一，其他几样也
就一定不能差。往往推荐信3封就够了，但是鉴于和各个研究所都保持联系，我可以得
到更多的推荐信，并且做到有的放
矢。最后清华大学校长顾秉林院士，物理系系主任朱邦芬院士，微电子所所长李志坚院
士，以及物理系和高等研究中心
另外4位教授都不吝推荐，对我出国起了不少正面影响。

然而不管怎样，由于我学了两年本科就申请graduate school，多少影响到外界对我实
力的信任。我只申请了全美最好
的15所学校，拿到8个offer, 被3个decline, 剩下的包括interview全部withdraw.

7.        从物理转电子工程

    很早我就在电子工程和基础科学班之间犹豫过，电子工程在全国大热，不仅贴近实
际，而且对数学物理要求很高富有
挑战性。借着申请出国的机会，我拿加州理工做了个尝试直接申EE,结果拿到
fellowship。加州理工1999年曾排全美大
学排行榜第一名，物理，应用物理以及天文学在世界上更是首屈一指。EE也是她的工程
强项。最后比较再三，我决定拒
掉Berkeley, withdraw MIT的物理进入加州理工。05年8月，我在水木论坛上面写下《
跳级在清华---我的飞跃之旅》
一文，介绍自己在清华近3年的经历感受，9月上旬飞抵美国洛杉矶。

8.        我在加州理工，8个月的硕士

        来到加州理工，很快感觉到了教授和周围同学身上蕴藏的智慧。学校比我想象
的还小，走走就出去了。然而卧虎藏
龙却是一点不假。加州理工是美国教育界公认的最累的地方之一，Nobel奖得主密度最
大，学生教授要想survive都要脱
一层皮才行。不过有了清华2年10个月的跳级经历，再难的情况我也有信心去处理。美
国大学很多都是一年3个
quarter，每个quarter 十周左右。加州理工的本科有名的难念，就是因为一个quarter
要选5-6门课程压力很大。一到
学校看了calendar，我发现只要每个quarter选8-9门课就可以在8个月里面拿2个硕士出
来，岂不是件好事。于是第一
个quarter我狂选9门课73学分的课程并且得了接近全A+的4.2 GPA, 但是后来由于学校
规定所限，一年double master
的计划只能叫停。

    在加州理工的8个月里，我一面为了master degree努力，一面展开科研，在
network coding & wireless
communication领域的ISIT和ITA上发表国际论文。06年6月初我如愿毕业

9． 转入Yahoo! Inc. 开始business之路

        对于academia，我一直心存怀疑，不知道适不适合自己。亲历清华和加州理工
，受到学术熏陶之后，我更加坚定
了这不是我要的轨迹。正因如此，finance 和engineering 便成了我的关注对象。刚好
我在加州理工修过Business,
Economics andManagement的课程，而且取得很好成绩并加入了相关club，所以经常能
够得到一些关于industry的信
息。06年4月底刚好搜索引擎三巨头之一的Yahoo! Inc.要人去做intern。我看机会难得
于是投简历过去，经过电话面试
和 on-site interview的多轮考验之后，我挤掉了东岸MIT的竞争对手，成功进入Yahoo
! Inc.

        在Yahoo! Search Marketing, 我的工作和modeling, finance, statistics,
strategy都有关，是一个很富挑战性的
job。考虑到自己长远的志向在business和industry,我最后决定将summer intern转成
full-time position,开始一段新
的历程。经过多方努力，我最终转入Yahoo! Inc，这也同时意味着我的学生生涯就此告
了一个段落.

10.  进入花旗投行部, Random Walk on Wall Street

        06年9月中旬summer internship告罄，在10月1号H-1b正式生效之前，我选择
了东部旅行的方案。来到向往已
久的New York City, 一头扎进Wall Street。位处WorldTrade Center和海港之间，
Wall Street空间虽小，但却是精英
荟萃。DB的大楼傲然矗立，60 Wall Street的大牌呈现眼前，NYSE铺上巨幅美国国旗，
又是一翻别样风景。Times
Square旁Morgan Stanley的大楼分外显眼，Park Ave.上JPMorganChase & Co. 和UBS相
映生辉。对于纽约这座世界
金融中心，满怀壮志的我自然格外喜欢。从subway中慢慢走出，看到落魄街头的景象又
不禁动容。当我们知道什么是贫
苦失落，才知世间多少苦难，亦有人承受。我欲飞天发奋，只图灿烂一瞬而已。

    在从Boston回洛杉矶的飞机上，我就暗下决心，一定要进入真正的financial
industry，进入Wall Street的Bulge
Bracket，用自己的智慧和勇气，谱写新的篇章。梦想虽好，但是要想成真，又是谈何
容易。对于只来美国一年的我，没
有任何金融背景和Banking Experience,想要进入这么selective & competitive的领域
实在不很trivial。然而先前磨练已
然注定，看准的事情我就会全力以赴，直到微笑以对。纵然失败一两次，也要再爬起来
。

        带着信心和理念，我开始了新的job hunting。对于I-bank和hedge fund，每
家面试都在3大轮10小轮以上。
Interviewers从quantitative skills, behavioral skills and teamwork spirits,
对industry的理解，brainteasers等很
多方面进行考察。 每个公司的culture都不一样，之前要做足research才行。为了
interview重访NYC，在Grand Haytt
Hotel里眺望曼哈顿的夜色，很快便被纽约的美所感染。不管蜕变也好，升华也罢，总
是不很轻松。在尝尽各种苦头之
后，我终于成功进入Citigroup Corporate and Investment Banking / SalomonSmith
Barney的纽约总部，掀开了在
华尔街的新篇章。Salomon Brothers曾是WallStreet上的中坚力量，后被Travelers
Group收购。Citigroup由Citicorp
和Travelers合并而成，目前位列世界500强中的第8位，Forbes Global 2000第一位，
是世界上最profitable的
financial services institution。Citigroup在debt, quantitative trading,
wealth management,

M&A等很多领域独树一帜，并以commercial banking为根基涉猎IB，在Wall Street上面
既与全能型的BOA, JPMorgan
Chase比拼, 又与传统投行Goldman Sachs，Morgan Stanley，Merrill Lynch等展开激
烈竞争。Citi在2005年夺走了
Thompson Financial League Table25个categories中的14项第一名。有幸能在这样优
秀的群体中学习发展，实在对
我是件益事。

11．再见洛杉矶

    回想我在洛城的一年多时光，历经人世沉浮，每当事业跌到谷底，无不每日以泪洗
面，无助并有无奈，又有苦痛挣
扎。然而最初的梦想，一定会实现，这点我一直都不曾动摇。我明白生命已经打开，我
要哪种精彩，也知道如果骄傲没
被现实大海冷冷拍下，又怎懂得要多努力才走得到远方。就要飞去东海岸，多少有些不
舍。LA的美，Santa Monica、
Diamond Bar、Pasadena、Arcadia的情，还有夹杂其中我的辛苦，都一一浮现脑海。渐
行渐远，耳边还是那首旋律：
忘记一些忧伤，忘记一些迷惘，带着所有疯狂，带着所有勇敢……就在这灿烂的一瞬间
，我的心悄然绽放，就在这绽放
的一刹那，像荒草一样燃烧……就在这燃烧的一瞬间，我的心悄然绽放，就在这绽放的
一刹那，我和你那么辉煌……

        未来总是充满不确定性，到底什么会等待着我们，没有人能够回答。但是凡此
种种都不能成为懒惰偷闲的借口，因
为精彩的人生，是要靠用心有胆量的人一点一点铺就的。这个世界从来都是不公平的,
但是每个人都有选择卓越的权利。
我总是觉得聪明不是决定因素，在高手云集的清华和加州理工，大家的智商都不会太低
。最重要的，是要懂得把握自
己，遇到困难的时候不轻言放弃，一直坚持向前走。对于流言蜚语和人与人之间的猜忌
攀比, 也要慢慢懂得理解宽容。

    知道什么是自己想要的，知道什么是不可逆转的；知道用什么方式实现梦想，知道
用什么心情面对苦难，人就在转瞬
间感悟，进退得失与不离不弃也就都有了答案。

    我不知道命运会把我带到什么地方，但我一直会用善良维护左右。

Jiaqi Jin

2006年11月30日于Pasadena, CA

cloudera

http://www.cloudera.com/developers/downloads/virtual-machine/

美国公司的基本种类

美国公司的基本种类

张大钦

        如果你希望在美国开设一个经营实体，大致上有以下五种可供选择的架构模式：非盈利公司 (Non-profit corporation) ，个人 所有权公司(Sole Proprietorship）, 合夥公司(Partnership），有限责任公司 (Limited liability company LLC), 和股份有限公司(Corporation)。不同的公司架构，将面对不同的风险责任，税务安排和产权转移方式。每一种公司架构都有 各自的特点和优劣，发起人一定要结合自身的特点情况，考虑事业的发展前景和目的取向来选择最适合自己的公司模式。下面，我简单地介绍一下各种公司的不同特 点：

一  非盈利公司 (Non-profit corporation)

      非盈利公司是为了推动慈善，教育，宗教，科技文化进步而设立社会公益机构。在五种公司架构里，只有这种架构是不以商业盈利为最终目的，但是，它可以通过收 取费用或谋利的方式来推动其追求的目标。签于其公益性质，联邦和各州都给予这类公司很多优惠待遇。其中以出自联邦税法典的第501(c)(3) 条给予公司 本身税务豁免最为根本。所以，非盈利公司也常常被称为501(c)公司。但要说明的是，董事和员工的薪水是要缴纳个人所得税的。除了符合公司宗旨的活动收 益获得免税以外，非盈利公司还可以接收政府和私人的捐赠。(为了鼓励人们捐赠，联邦税法规定，捐款可以用来抵税)。公司设立时，其宪章必须规范 其公益宗旨，此外，公司必须选举董事会成员，召开董事会并记录。公司章程必须明确规范董事和管理人员的职责，决策程序，表决方式和活动范围。另外，非盈利 公司的董事和管理人员不受公司法律责任的追索。此外，非盈利公司在注册费，邮资和房地产税等方面都有优惠。

       非盈利公司不易设立。税务豁免的地位要申请经批准。税务部门对非盈利公司的活动范围会严加看管。此外，非盈利公司不准进行政治游说，影响立法。董事成员和 管理人员不得从公司的任何活动中谋利。

二   个人所有权公司 (Sole Proprietorship）

        个人所有权公司是由一个人拥有的责任无限的公司，它是一种最简单的公司形式。公司的拥有人行使全部的职能，自行作出决定。享有全部的利润，缴纳全部的税 款，赔偿所有的损失，承担一切风险。公司拥有人对公司经营所引起的法定责任承担无限的连带责任，公司或个人的全部财产都可被法定地用来清偿债务。 事实上，由于拥有者本人和公司之间没有明确的界限，拥有者一般以自己的名 义来进行经营，可以以个人的名义给客户开发票，并不必进行公司注册，但是拥有者必须在当地的市政府进行登记并得到营业许可证。这种公司的好处是：开创成本 低，经营方式灵活多样，所有人即是决策人；所需流动资金最少；单层收税，税率优惠；拥有者毋须和他人分享利润。其不足是：责任无限；一旦拥有者不在，企业 难以正常运行；而且由于风险高，难以筹集外部资金。

三  合夥公司 (Partnership）

       兩個或兩個以上的个人或实体，為了謀利做生意，签订合伙协议而组建的公司就是合伙公司。合夥企業的組成和存在是以合夥人共同簽訂的协议條件为基础的，它是 个人所有权公司的复合体。公司一切法律後果都由每一个合夥人全部負責，而不是用合夥企業的商號的名義來負責。合夥人可以资本、劳力、财产或技术出资，他们 共享公司利润，同时也共担公司风险。此類公司常見於服務性行業；如廣告代理、股票經紀或會計師事務所。在两个人的合作关系中，如果其中一人离开或宣布破 产，则伙伴关系自然解体。 合夥公司易于成立，从事贸易、采 矿或制造业以外业务的合夥公司甚至不一定要注册，只要在当地的市政府进行登记得到经营许可证就行。合伙协议以书面形式为好，公司利润的分配和损失的分担， 以及退夥的方式程序应在合夥协议中加以详尽说明。最近还发展出来一种特殊的有限合夥公司LLP，公司除了必须至少有一位合伙人要对公司承担无限的连带责任外，其它不参加公司实质运 作的股东可以为有限责任合伙人，这部分股东仅以其出资额为限对公司债务承担有限责任。

       合伙公司的优势在于：成立方便；开办费用低；资本来源较广泛；可能有优惠的纳税政策；经营灵活；管理方式多样。但它的弊端在于：每一个合伙人都对公司承担 无限的连带责任；过分依赖于合伙人的合作默契，意见分歧或退夥会打击生意；资金扩充困难。

四  有限责任公司 (Limited liability company LLC)

       有限责任公司融合了股份公司和合伙公司各自的优点，既避免了重复征税，又使得股东们只承担有限责任，是现今美国较为流行的一种公司形式。 1990年时，只有怀俄明州和 佛罗里达可以组建这种公司，现在，美国的50个州以及哥伦比亚辖区都制定了LLC法律。LLC法律实体对其成员提供完全的个人责任保护，无论是民事侵权，还是合同责任，都由参与者 共同解决问题，这种形式称作成员管理人。这种成员可以是个人或是公司法人。

        LLC的股东可以少至一人，股东可以选择参加管理，也可以不参加管理。LLC本身不用交利得税，各个 股东就其利润分享的部分交所得税，成本亏损支出可以反映在个人的报税里。LLC有限责任公司与股份有限公司共同之处在于：实行资本三原则：按照股份份额进行表决和分 配；公司具有与股东个人相分离的法人人格；股东对公司债务仅负有限责任。如果公司资不抵债导致破产，债权人可以瓜分公司财产，但无权染指股东们个人的房子 车子和银行帐户。有限责任公司与股份有限公司相区别之处，在于他的相对封闭性。这种封闭性的显著特点有三点：一，股份不公开；二，股份转让受一定的限制； 三，股东人数受一定的限制。这三条限制的本意在于保持公司成员的相对稳定性，以增强其内部的凝聚力。

       LLC申请手续比股份公司容易，LLC毋须召开正式股东大会，毋须递交年度管理报告，还可以自由选择报税形式。不足的是：一 些行业，如银行，信托，保险，是禁止采用LLC的有限责任形式的。另外，一些州(包括加州) 也不允许建筑设计，会计，医生和其它卫生保健机构采用LLC形式。

五  股份有限公司(Corporation)

     股份有限公司是指全部的资本分为等额股份，股东以其所持有的股份为限对公司承担责任，公司以其全部资产对公司的债务承担责任的企业法人，(在美国可以分为C Corp. 和S Corp. 两种) 。股份公司是完全的资合公 司，发起人，章程和资本是其设立的三大基本要素，缺一不可。它实行股份等额化和转让的自由化，对股东身份，资格和最高人数没有限制，能够最大限度地筹集资 金，扩大规模，并保持公司人格的独立性，连贯性，和永久性。股份有限公司是现代企业制度最典型的形式。

        股份有限公司可以挂牌公开上市，也可以私下发行或限於柜台交易。股份公司的所有者和管理者一般分开。公司的最高权力属于股东会， 董事或监事由股东任命，董事会负责公司的重大决策。CEO和职业经理人负责公司的日 常营运。董事成员和管理人员对公司富有忠诚和尽职义务，不可进行有利益冲突的内部交易。

       上市公司的优点是：股权范围广，融资能力强，公司经营连续，提升可信度和知名度。但不利的地方是：双重收税，公司交利得税，员工收入也要交税；设立手续复 杂，成本大，准入成本高。如果要上市，还有资本和股东人数的最低要求，会议文件很多，披露责任重，受监管的地方多，舆论压力大。

注册美国公司的条件和程序

注册美国公司的条件和程序

张大钦

       在美国，公司注册大都是在各州政府州务卿办公室或其下属企业局进行。企业登记注册一般要具备：企业名称、注册资本、经营范围、经营方式等条件。

1.公司名称
可以使用字母或数字作公司名称。但其名称不得与其他公司的名称相同或相混淆，不得使用禁用语；名称后必 须加"有限"、"股份公司"等字样或其缩写。外国公司在美国的分公司可在名称前加上"美国"与其母公司相区别。

2.注册资本
美国各州一般不要求注册资本最低额。除金融公司外，无法定储蓄金要求。股东可用现金、产业、劳力或技术 入股，其认购价值要由董事会确定。股份可以分不同种类，例如有些股份可以有优先分利而无投票权，以适应某些单纯想投资入该公司而不打算参与任何股东决策的 人。股份的分类和结算与税赋责任息息相关，有必要 向熟悉税法的专业人士事先咨询。

3.经营范围与经营方式
企业的经营范围除毒品，枪械和电视，广播，金融，新闻出版，航空等之外，一般不作限制。经营方式一般也 无限制。
注册公司程序

1.选择公司名称
为了防止重复使用别人已注册的公司名称和误导公众，各州政府注册部门在受理你的注册事宜之前会对你的公 司名称进行检索。只有在确认该名称没有在先注册的情况下，才会批准登记新的公司。为了避免时间延误，你可以同时递交多个候选名称。

2.发起人签署公司章程 (Article of Incorporation)
章程包括公司名称、股份结构、董事、经营业务范围等要点。公司章程和细则(by-law) ，对公司及其成员均有约束力。一般认为其作用是公 司与成员以及成员彼此之间的一种合约。每一公司章程必须包括：公司名称；公司注册股本，即公司名义上最高募集的股本总额，但是可以因应情况需要增加或减 少；其它条款,包括股份种类及每种股票最高发行量，与及股份被赋予的限制及特权。公司章程并无解释公司细则的功用。但该条例所列的公司细则范围， 其内容包括划定公司成员的权利，公司的运作方式，公司董事的权力与责任。不过，细则一般不可与章程相抵触。

3.填报申请表
注明公司的注册地址，董事和公司秘书的姓名、地址。公司秘书一职不可或缺，主要用来接收政府公文，商业 函件，税务通知和法院传票，他可以由你的律师兼任。用律师作为公司秘书的好处在于：一有任何法律文件送达，你的律师可以立刻与你联络或替你采取适当的行动 去保护公司的利益。大部分州规定股东或董事人数可以低至一人，且可以是外国人，毋须美国公民身份。如果公司只有一位股东，他甚至可以兼任董事长和秘书。

4.交纳注册费
各州政府收取的注册费不尽相同，介于几十美元到几百美元之间。以犹它州注册有限责任公司LLC为例：初始注册费为52美元，年度续注12美元，名称检核22美元，商标登记22美元。加上其它杂项支出，总体 费用大约为150美元。
注册机构颁发营业执照即标志公司成立。从申请到注册完成，一般需要三两个星期。在犹他州，如果你愿意付75美元的加急费，一个星期内可完 成全部注册手续。若要赶时间，可以从律师处购买预先注册好的空壳公司。购买费用会贵一些，但可马上交付使用。
公 司需要向城市建筑房屋管理部门获取商业招牌许可证后，才能够公开悬挂或展示公司招牌。作为招牌用的萤虹灯或灯箱，一般需先申请许可证。
按照法律规定，公司在注册之后，每年都要向州公司注册处呈交年报， 报告公司的董事名单，地址，及缴纳续注费用。若两年欠交年报，便会被取消注册。
除个人所有公司 (Sole Proprietorship)外的所有商业机构必须向税务局（IRS）索取雇主识别号码及填写SS-4表格。雇主识别号码又有称公 司税号，成立公司以后，是开设银行商业帐号，报税必须提供的资料之一。如个人所有公司的雇主要为其员工报税或建立退休计划，也需先申请雇主识别号码。一般 的零售、批发商及提供事业服务的公司都需向各州的财税部申请销售税号码 ( SALES TAX ) 并填写DTF - 17表 格。
在美国雇用职员，雇主必须代扣受雇人员的所得税。包括：社会福利税, 医疗保健制度税,联邦政府失业补助金,州政府失业补助金,残疾保险,受雇人员赔偿金保险等。美国法 律还规定，雇主必须在每年二月向社会安全局提交所有员工W-2工资收入报表和报税证明文件。
注册公司后，你基本上可以经营任何合法的生意。但你必须每季度向税 务局报缴利得税。如过期缴费，政府将给予严历的惩罚。如果暂时未开始经营，应填表通知税务局。
公司注册，呈交年报以及财务报税的工作，一般均可由律师代办，当然 你也可以亲力而为。不同的公司模式以及不同的股权结构，会产生不同的法定權利和稅務責任，在成立公司的过程中，你必須仔细研究，认真諮詢。

Resume tips! :)

一个不注重契约的民族，注定无法强大

读安史之乱有感

Matlab Topic Modeling Toolbox

http://psiexp.ss.uci.edu/research/programs_data/toolbox.htm

Roman Mosaic Art, 2nd century AD, NYC Metropolitan Museum

The idea of "Pixel" in image format we are currently using today dates back to 2nd century AD, Rome.

For me, the most impressive piece of art in NYC Metropolitan Museum, is this one:
Mosaic floor panel
Roman, Imperial, 2nd century AD,
Excavated from a villa at Daphne near Antioch, the metropolis of Roman Syria

The root of "science" which is dominant world-widely today, stems from ancient Greek, also know as western culture. As a Chinese, I'd like to think of why the ancient Chinese culture which had dominated the world for centuries faded out in 19th century.

This Roman mosaic panel, ~ 100AD, in some sense, reflects the different thoughts (way of thinking) between eastern and western cultures.

Analytic is the major philosophy of science. Calculus is a good example of it. Analytic power provides a "scalable" way for research that can be inherited by next generation, which is lack in the eastern culture.

In this panel, thousands of tiny mosaics contribute to the holistic view of the "imaginary & continuous" object, which is believed to be a celebrity in that era. This provides a way of breaking down an infinitely impossible problem into some scalable and discrete steps. If the size of the mosaics are small enough, then we could approximate that "imaginary & continuous" object/concept to an acceptable extend.

On the other hand, Chinese culture or art prefer to capturing a holistic view of an object, in some abstract and implicit way ( which is believed to be the ultimately decent way of solving problems), like the wash drawing / paintings, and Chinese medicines. In a world of small scale, this way is good enough to achieve the engineering goal, but as the problem approaching to a larger scale, it is not a preferable way.

For nowadays, science with analytic power seems to be the best way and it dominates. The nice thing I found in the NYC Metro is that, this piece of art in the 100AD has a quick and direct answer.

夜听雨

帘外雨潺潺，春意阑珊

Oxford Buildings Dataset

Oxford Buildings Dataset

http://www.robots.ox.ac.uk/~vgg/data/oxbuildings/index.html

Scaling data attributes before using SVM!

2.2 Scaling
Scaling before applying SVM is very important. Part 2 of Sarle's Neural Networks
FAQ Sarle (1997) explains the importance of this and most of considerations also apply
to SVM. The main advantage of scaling is to avoid attributes in greater numeric
ranges dominating those in smaller numeric ranges. Another advantage is to avoid
numerical di culties during the calculation. Because kernel values usually depend on
the inner products of feature vectors, e.g. the linear kernel and the polynomial kernel,
large attribute values might cause numerical problems. We recommend linearly
scaling each attribute to the range [-1; +1] or [0; 1].
Of course we have to use the same method to scale both training and testing
data. For example, suppose that we scaled the rst attribute of training data from
[-10; +10] to [-1; +1]. If the rst attribute of testing data lies in the range [-11; +8],
we must scale the testing data to [-1:1; +0:8]. See Appendix B for some real examples.

图 ˙谱˙马尔可夫过程˙聚类结构 (zz)

A little article with insightful comments on graph, graph spectral, Markov process, clustering.

http://dahua.spaces.live.com/

图 ˙谱˙马尔可夫过程˙聚类结构

题目中所说到的四个词语，都是Machine Learning以及相关领域中热门的研究课题。表面看属于不同的topic，实际上则是看待同一个问题的不同角度。不少文章论述了它们之间的一些联系， 让大家看到了这个世界的奇妙。

从图说起

这里面，最简单的一个概念就是“图”(Graph)，它用于表示事物之间的相互联系。每个图有一批节点(Node)，每个节点表示一个对 象，通过一些边(Edge)把这些点连在一起，表示它们之间的关系。就这么一个简单的概念，它对学术发展的意义可以说是无可估量的。几乎所有领域研究的东 西，都是存在相互联系的，通过图，这些联系都具有了一个统一，灵活，而又强大的数学抽象。因此，很多领域的学者都对图有着深入探讨，而且某个领域关于图的 研究成果，可以被其它领域借鉴。

矩阵表示：让代数进入图的世界

在数学上，一种被普遍使用的表达就是邻接矩阵(Adjacency Matrix)。一个有N个节点的图，可以用一个N x N的矩阵G表示，G(i, j)用一个值表示第i个节点和第j个节点的联系，通常来说这个值越大它们关系越密切，这个值为0表示它们不存在直接联系。这个表达，很直接，但是非常重 要，因为它把数学上两个非常根本的概念联系在一起：“图”(Graph)和“矩阵”(Matrix)。矩阵是代数学中最重要的概念，给了图一个矩阵表达， 就建立了用代数方法研究图的途径。数学家们几十年前开始就看到了这一点，并且开创了数学上一个重要的分支——代数图论(Algebraic Graph Theory)。

代数图论通过图的矩阵表达来研究图。熟悉线性代数的朋友知道，代数中一个很重要的概念叫做“谱”(Spectrum)。一个矩阵的很多特性 和它的谱结构——就是它的特征值和特征向量是密切相关的。因此，当我们获得一个图的矩阵表达之后，就可以通过研究这个矩阵的谱结构来研究图的特性。通常， 我们会分析一个图的邻接矩阵(Adjacency Matrix)或者拉普拉斯矩阵(Laplace Matrix)的谱——这里多说一句，这两种矩阵的谱结构刚好是对称的。

谱：“分而治之”的代数

谱，这个词汇似乎在不少地方出现过，比如我们可能更多听说的频谱，光谱，等等。究竟什么叫“谱”呢？它的概念其实并不神秘，简单地说，谱这 个概念来自“分而治之”的策略。一个复杂的东西不好直接研究，就把它分解成简单的分量。如果我们把一个东西看成是一些分量叠加而成，那么这些分量以及它们 各自所占的比例，就叫这个东西的谱。所谓频谱，就是把一个信号分解成多个频率单一的分量。

矩阵的谱，就是它的特征值和特征向量，普通的线性代数课本会告诉你定义：如果A v = c v，那么c 就是A的特征值，v就叫特征向量。这仅仅是数学家发明的一种数学游戏么？——也许有些人刚学这个的时候，并一定能深入理解这么个公式代表什么。其实，这里 的谱，还是代表了一种分量结构，它为使用“分而治之”策略来研究矩阵的作用打开了一个重要途径。这里我们可以把矩阵理解为一个操作(operator)， 它的作用就是把一个向量变成另外一个向量：y = A x。对于某些向量，矩阵对它的作用很简单，A v = cv，相当于就把这个向量v 拉长了c倍。我们把这种和矩阵A能如此密切配合的向量v1, v2, ... 叫做特征向量，这个倍数c1, c2, ...叫特征值。那么来了一个新的向量x 的时候，我们就可以把x 分解为这些向量的组合，x = a1 v1 + a2 v2 + ...，那么A对x的作用就可以分解了：A x = A (a1 v1 + a2 v2 + ...) = a1 c1 v1 + a2 c2 v2 ... 所以，矩阵的谱就是用于分解一个矩阵的作用的。

这里再稍微延伸一点。一个向量可以看成一个关于整数的函数，就是输入i，它返回v( i )。它可以延伸为一个连续函数（一个长度无限不可数的向量，呵呵），相应的矩阵 A 变成一个二元连续函数（面积无限大的矩阵）。这时候矩阵乘法中的求和变成了积分。同样的，A的作用可以理解为把一个连续函数映射为另外一个连续函数，这时 候A不叫矩阵，通常被称为算子。对于算子，上面的谱分析方法同样适用（从有限到无限，在数学上还需要处理一下，不多说了）——这个就是泛函分析中的一个重 要部分——谱论（Spectral Theory）。

马尔可夫过程——从时间的角度理解图

回到“图”这个题目，那么图的谱是干什么的呢？按照上面的理解，似乎是拿来分解一个图的。这里谱的作用还是分治，但是，不是直观的理解为把 图的大卸八块，而是把要把在图上运行的过程分解成简单的过程的叠加。如果一个图上每个节点都有一个值，那么在图上运行的过程就是对这些值进行更新的过程。 一个简单，大家经常使用的过程，就是马尔可夫过程(Markov Process)。

学过随机过程的朋友都了解马尔可夫过程。概念很简单——“将来只由现在决定，和过去无关”。考虑一个图，图上每个点有一个值，会被不断更 新。每个点通过一些边连接到其它一些点上，对于每个点，这些边的值都是正的，和为1。在图上每次更新一个点的值，就是对和它相连接的点的值加权平均。如果 图是联通并且非周期（数学上叫各态历经性, ergodicity)，那么这个过程最后会收敛到一个唯一稳定的状态（平衡状态)。

图上的马尔可夫更新过程，对于很多学科有着非常重要的意义。这种数学抽象，可以用在什么地方呢？(1) Google对搜索结果的评估(PageRank)原理上依赖于这个核心过程，(2) 统计中一种广泛运用的采样过程MCMC，其核心就是上述的转移过程，(3) 物理上广泛存在的扩散过程（比如热扩散，流体扩散）和上面的过程有很重要的类比，(4) 网络中的信息的某些归纳与交换过程和上述过程相同 (比如Random Gossiping)，还有很多。非常多的实际过程通过某种程度的简化和近似，都可以归结为上述过程。因此，对上面这个核心过程的研究，对于很多现象的理 解有重要的意义。各个领域的科学家从本领域的角度出发研究这个过程，得出了很多实质上一致的结论，并且很多都落在了图的谱结构的这个关键点上。

图和谱在此联姻

根据上面的定义，我们看到邻接矩阵A其实就是这个马尔可夫过程的转移概率矩阵。我们把各个节点的值放在一起可以得到一个向量v，那么我们就 可以获得对这个过程的代数表示， v(t+1) = A v(t)。稳定的时候，v = A v。我们可以看到稳定状态就是A的一个特征向量，特征值就是1。这里谱的概念进来了。我们把A的特征向量都列出来v1, v2, ...，它们有 A vi = ci vi。vi其实就是一种很特殊，但是很简单的状态，对它每进行一轮更新，所有节点的值就变成原来的ci倍。如果0 < ci < 1，那么，相当于所有节点的值呈现指数衰减，直到大家都趋近于0。

一般情况下，我们开始于一个任意一个状态u，它的更新过程就没那么简单了。我们用谱的方法来分析，把u分解成 u = v1 + c2 v2 + c3 v3 + ... （在数学上可以严格证明，对于上述的转移概率矩阵，最大的特征值就是1，这里对应于平衡状态v1，其它的特征状态v2, v3, ..., 对应于特征值1 > c2 > c3 > ... > -1)。那么，我们可以看到，当更新进行了t 步之后，状态变成 u(t) = v1 + c2^t v2 + c3^t v3 + ...，我们看到，除了代表平衡状态的分量保持不变外，其它分量随着t 增长而指数衰减，最后，其它整个趋近于平衡状态。

从上面的分析看到，这个过程的收敛速度，其实是和衰减得最慢的那个非平衡分量是密切相关的，它的衰减速度取决于第二大特征值c2，c2的大 小越接近于1，收敛越慢，越接近于0，收敛越快。这里，我们看到了谱的意义。第一，它帮助把一个图上运行的马尔可夫过程分解为多个简单的字过程的叠加，这 里面包含一个平衡过程和多个指数衰减的非平衡过程。第二，它指出平衡状态是对应于最大特征值1的分量，而收敛速度主要取决于第二大特征值。

我们这里知道了第二大特征值c2对于描述这个过程是个至关重要的量，究竟是越大越好，还是越小越好呢？这要看具体解决的问题。如果你要设计 一个采样过程或者更新过程，那么就要追求一个小的c2，它一方面提高过程的效率，另外一方面，使得图的结构改变的时候，能及时收敛，从而保证过程的稳定。 而对于网络而言，小的c2有利于信息的迅速扩散和传播。

聚类结构——从空间的角度理解图

c2的大小往往取决于图上的聚类结构。如果图上的点分成几组，各自聚成一团，缺乏组与组之间的联系，那么这种结构是很不利于扩散的。在某些 情况下，甚至需要O(exp(N))的时间才能收敛。这也符合我们的直观想象，好比两个大水缸，它们中间的只有一根很细的水管相连，那么就需要好长时间才 能达到平衡。有兴趣的朋友可以就这个水缸问题推导一下，这个水缸系统的第二大特征值和水管流量与水缸的容积的比例直接相关，随比例增大而下降。

对于这个现象进行推广，数学上有一个重要的模型叫导率模型(Conductance)。具体的公式不说了，大体思想是，节点集之间的导通量 和节点集大小的平均比例和第二大特征值之间存在一个单调的上下界关系。导率描述的是图上的节点连接的空间结合，这个模型把第二特征值c2和图的空间聚集结 构联系在一起了。

图上的聚类结构越明显， c2越大；反过来说，c2越大，聚类的结构越明显，(c2 = 1)时，整个图就断裂成非连通的两块或者多块了。从这个意义上说，c2越大，越容易对这个图上的点进行聚类。机器学习中一个重要课题叫做聚类，近十年来， 基于代数图论发展出来的一种新的聚类方法，就是利用了第二大特征值对应的谱结构，这种聚类方法叫做谱聚类(Spectral Clustering)。它在Computer Vision里面对应于一种著名的图像分割方法，叫做Normalized Cut。很多工作在使用这种方法。其实这种方法的成功，取决于c2的大小，也就是说取决于我们如何构造出一个利于聚类的图，另外c2的值本身也可以作为衡 量聚类质量，或者可聚类性的标志。遗憾的是，在paper里面，使用此方法者众，深入探讨此方法的内在特点者少。

归纳起来
图是表达事物关系和传递扩散过程的重要数学抽象
图的矩阵表达提供了使用代数方法研究图的途径
谱，作为一种重要的代数方法，其意义在于对复杂对象和过程进行分解
图上的马尔可夫更新过程是很多实际过程的一个重要抽象
图的谱结构的重要意义在于通过它对马尔可夫更新过程进行分解分析
图的第一特征值对应于马尔可夫过程的平衡状态，第二特征值刻画了这个过程的收敛速度（采样的效率，扩散和传播速度，网络的稳定程度）。
图的第二特征分量与节点的聚类结构密切相关。可以通过谱结构来分析图的聚类结构。

马尔可夫过程代表了一种时间结构，聚类结构代表了一种空间结构，“谱”把它们 联系在一起了，在数学刻画了这种时与空的深刻关系。

Naive Bayes classifier notes

Naive Bayes classifier is a trivial generative model, which assumes conditional independent of all features.

therefore, b4 we construct the NB, we need to do a correlation analysis for whole feature set, and if we identify some high correlated features, we should only pick one of them from that subset.

Otherwise, it'll be a lousy NB classifier.

some interesting UCRS research

http://www.cs.ucr.edu/~eamonn/tutorials.html

http://www.cs.ucr.edu/~bcampana/

SDM 2010 summary

SDM 2010 is in Columbus this year and my first time attending data mining conf. I found out that this conf is quite small and concrete, all accepted 80 papers have enough opportunities to present, because they could present in oral and poster sessions, both.

Here are some good presentations:

1, L1 sparse tutorial by Jieping Ye: provides lots of insightful and uptodated resources, amazing part is about that separable non-smooth penalty from the loss func.

2, Best Paper Award
Fast Single-Pair SimRank Computation, Pei Li, Renmin University of China;
this paper improves the simrank algorithm, but badly presented.


3, Best Student Paper Award
A Compression Based Distance Measure for Texture
Authors: Bilson J. Campana and Eamonn Keogh, University of California, Riverside.

Impressive part is the constant time figure, and the authors make the PPT with lots of cartoon, (but as well as making it a bit childish....)


4, social network and graph ming.
Now it's the era of social network and graph ming.... lots of papers in this topic. Esp. heterogeneous biological network label propagation.

Locality Sensitive Hashing collection

code and sample data:

http://people.csail.mit.edu/gregory/download.html


Paper
http://www.mit.edu/~andoni/LSH/

Weakly Supervised Learning

Whose Vote Should Count More:
Optimal Integration of Labels from Labelers of
Unknown Expertise

http://mplab.ucsd.edu/~jake/OptimalLabeling.pdf

recursively print out a clockwise matrix element

Here is a program using recursive to print out a clockwise matrix element like this:
   1     2     3     4     5     6     7     8     9    10 
  36    37    38    39    40    41    42    43    44    11 
  35    64    65    66    67    68    69    70    45    12 
  34    63    84    85    86    87    88    71    46    13 
  33    62    83    96    97    98    89    72    47    14 
  32    61    82    95   100    99    90    73    48    15 
  31    60    81    94    93    92    91    74    49    16 
  30    59    80    79    78    77    76    75    50    17 
  29    58    57    56    55    54    53    52    51    18 
  28    27    26    25    24    23    22    21    20    19 


#include
#include
#include

// Print clockwise matrix element, in C
// www.VictorFang.com
// 20100412

// n : current recursive call's matrix size
// x, y: start pt in this round
// start: first value to set in the matrix
void setmatrix(int** m, int x, int y, int start, int n){

    int i,j;

    // for even number
    if(n<=0)
        return;

    // for odd number
    if(n==1){
        m[x][y] = start;
        return;
        }

   
    for(i = x; i
        m[y][i] = start++; // upper, to the right

    for(j = y; j < y+n-1; j++ )
        m[j][x+n-1] = start++; // right , downward

    for(i=x+n-1; i>x; i--)
        m[x+n-1][i] = start++; // lower, to the left

    for(j = y+n-1; j>y; j--)
        m[j][x] = start++; // left, upward

    // recursive call the next inner cycle
    setmatrix(m, x+1, y+1, start, n-2);

    }

void main() {

    FILE *fp;

    int n = 10; // size of matrix, 5x5;
    int i , j;

    int** matrix = (int **) malloc( n*sizeof(int *) );

    for(i = 0; i
        matrix[i] = (int *) malloc(n*sizeof(int));

    for(i = 0; i
        for(j = 0; j
            matrix[i][j] = 0;

    // do the job!
    setmatrix(matrix, 0 , 0, 1, n);

    char fstr[10] ;

    sprintf(fstr, "%d.txt", n);

    fp = fopen(fstr, "w");

    for(i = 0; i
            for(j = 0; j
                printf("%4d  ", matrix[i][j]);
                fprintf(fp, "%4d  ", matrix[i][j]);
                }
            printf("\n");
            fprintf(fp, "\n");
        }

    fclose(fp);
    printf("Result is written into file: %s\n", fstr);

    getchar();

    }

php server (on Win7 ) working finally

Lots of Windows PHPers recommend WAMP for building up the PHP server + MYSQL + Apache on Windows, which is actually not preferable for opensource PHP so sometimes it takes a while to set up, unlike on unix.

Today i wasted sometime on this.

Originally I've installed PHP5 and MYSQL before, so WAMP is actually installing everything within its own package into its folder.

Beware! You should uninstall the previous PHP , clear and clean , to reduce troubles.....

My case is, I uninstalled the old PHP5 on Control Panel, then go ahead and install WAMP, everything works just fine, except a weird bug!

Whenever how i config the files in wamp, the php  NEVER print out the error message!!!!

I searched around and still cannot find the solution, until 10 min ago, I thought maybe the uninstallation is not finished completely? Then I took a look at the old PHP folder! It's still there!!! Besides, the php.ini is in that old folder!!!

Oh Jesus Christ!!! xxxxxxxxxxxx

 I deleted the whole old folder, and restart wamp, bingo! It works !

some engineering ways to hack MD5 hash

Found some interesting websites having attempted to practically hack MD5:

5MB words:
http://www.md5decrypter.com/

7GB words:
http://www.md5decrypter.co.uk/

MD5 will take whatever length of string, and hash it into a 128bit value as "signature" for that string.

Practically, if we store all these 128 bit values, and use it as index to build a database, and item value as the short password, this would take space complexity of:
2^128 = 10^38

which is too large practically, but if we can "hash" it again using the "md5_128bit_value" as the key, and item values as the originally cleartext, then bingo!

Patrick also mentioned that we could first sort these 128 bit key, and then do a binary search for the given query "md5_128bit_value" . But it still takes too much space ...... up to 10^38....


Hmmmm... A lot of forums are using MD5 for encrypting the passwords, it would be wise to test your MD5 value for your password in those MD5 hacker websites before you hand it over to your forum...... like

www.ucbbs.com

NETFLIX PRIZE 1M$ gone! Sep 2009.

Amazingly and finally this prize is won by Yahoo! Research Lab!

Machine learning seeks the recommendation out from the chaos of the Netflix huge dataset!

http://www.netflixprize.com/community/viewtopic.php?id=1537


It is our great honor to announce the $1M Grand Prize winner of the Netflix Prize contest as team BellKor’s Pragmatic Chaos for their verified submission on July 26, 2009 at 18:18:28 UTC, achieving the winning RMSE of 0.8567 on the test subset. This represents a 10.06% improvement over Cinematch’s score on the test subset at the start of the contest. We congratulate the team of Bob Bell, Martin Chabbert, Michael Jahrer, Yehuda Koren, Martin Piotte, Andreas Töscher and Chris Volinsky for their superb work advancing and integrating many significant techniques to achieve this result.

The Prize was awarded in a ceremony in New York City on September 21st, 2009. We will post a video on this forum of the presentation the team delivered about their Prize algorithm. In accord with the Rules the winning team has prepared a system description consisting of three papers, which we both make public below.

Team BellKor’s Pragmatic Chaos edged out team The Ensemble with the winning submission coming just 24 minutes before the conclusion of the nearly three-year-long contest. Historically the Leaderboard has only reported team scores on the quiz subset. The Prize is awarded based on teams' test subset score. Now that the contest is closed we will be updating the Leaderboard to report team scores on both the test and quiz subsets.

To everyone who participated in the Netflix Prize: You've made this a truly remarkable contest and you've brought great innovation to the field. We applaud you for your contributions and we hope you've enjoyed the journey. The Netflix Prize contest is now closed.

We will soon be launching a new contest, Netflix Prize 2. Stay tuned for more details.

The winning team’s papers submitted to the judges can be found below. These papers build on, and require familiarity with, work published in the 2008 Progress Prize.

Y. Koren, "The BellKor Solution to the Netflix Grand Prize", (2009).

A. Töscher, M. Jahrer, R. Bell, "The BigChaos Solution to the Netflix Grand Prize", (2009).

M. Piotte, M. Chabbert, "The Pragmatic Theory solution to the Netflix Grand Prize", (2009).

Google interview question: Throw 2 eggs on 100 storied building

Google interview question: Throw 2 eggs on 100 storied building, and decide which exact level and its above is going to break the egg.

Underlying fact: if the thrown egg is unbroken, actually you could grab it and reuse it!

Ravi and I spent sometime today discussing it, with different solutions.

1, binary search is optimal when you have lots of eggs and achieving log2(n) complexity, but it's not the best way for this condition : only 2 eggs.

2, linear scanning. Assume the 100 level building is segmented into sections length of x, then we have floor(100/x) sections. First, start from the x th level and throw the 1st egg, if it is not broken, then go up x levels. If it breaks, then going inside that section below, and start from the bottom of that section, linearly upward until the egg breaks.

The number of trials f(x) in worst case is written as

f(x) = floor(100/x) + x;

it's easy to see that the optimal f(x) happens when x = 10, and f(x) = 20.


Yet, it's good enough, but not the optimal solution for this problem!

3, notice that the above solution can be seen as "double linear" scanning, which is something we will attack in this improved version:

Instead of considering equal length sections, notice that what if we make unequal sections? furthermore, how about decreasing # of levels in each sections when going upwards? Also notice that at the beginning, we need to ( almost always) start from the lowest level, why not try to "skip" more at the bottom sections?

Denote "outside" as #trials trying to identify the sections, and "inside" as #trials trying to identify within that section, we have a tradeoff to make here:

"outside" + "inside" == constant

meaning that when you spent more trials on "outside", you should not spent too much trials on "inside", otherwise you are not likely to improve.

Here we go!

Assume we have :

(x) + (x-1) + (x-2) + ... + (1) <=100

where each ( ) is the section length.

solve for:
sum_i=1 ^ x {i}<=100, we could use google calculator to compute:

sqrt(201) = 14.1774469

so the bottom section length is around roughly 14, and the respective section lengths upwards are 13, 12, 11, ....,1.

Bingo! See the magic here?!

so the strategy is similar fashioned, first decide the "outside" section until the 1st egg breaks, then dive inside that below section, and linearly upwards, throw the 2nd egg...

e.g. when the 1st egg breaks at 14th level, we spend 1 trial to decide the "outside" section, then spend the 2nd egg starting throwing from 1st level. So the worst case here is when the level is 13th, then we have to use up 13+1 = 14 trials.

This one is actually the upperbound for our formulation! Remember that tradeoff ?

Therefore we've achieved the "egg salvation" google brainteaser !

Thanks for the show! :D

play piano notes in Matlab

Here is some Matlab code and function to play a piano note scale, DO, RE, MI, ...., based on Wiki's tone pitch definition.

Quite interesting!


for n = [1,3,5,6,8,10,12,13], sine_tone(440*2^(n/12));end


function sin_tone(freq)
fs=8192;
t=[0:1/fs:1];
y = sin(2*pi*freq*t);
soundsc(y)

Torsten Reil: Animating neurobiologist

http://www.ted.com/speakers/torsten_reil.html


From modeling the mayhem of equine combat in Lord of the Rings: Return of the King to animating Liberty City gun battles in Grand Theft Auto IV, Torsten Reil's achievements are all over the map these days. Software that he helped create (with NaturalMotion, the imaging company he co-founded) has revolutionized computer animation of human and animal avatars, giving rise to some of the most breathtakingly real sequences in the virtual world of video games and movies- and along the way given valuable insight into the way human beings move their bodies.

Reil was a neural researcher working on his Masters at Oxford, developing computer simulations of nervous systems based on genetic algorithms- programs that actually used natural selection to evolve their own means of locomotion. It didn't take long until he realized the commercial potential of these lifelike characters. In 2001 he capitalized on this lucrative adjunct to his research, and cofounded NaturalMotion. Since then the company has produced motion simulation programs like Euphoria and Morpheme, state of the art packages designed to drastically cut the time and expense of game development, and create animated worlds as real as the one outside your front door. Animation and special effects created with Endorphin (NaturalMotion's first animation toolkit) have lent explosive action to films such as Troy and Poseidon, and NaturalMotion's software is also being used by LucasArts in video games such as the hotly anticipated Indiana Jones.

But there are serious applications aside from the big screen and the XBox console: NaturalMotion has also worked under a grant from the British government to study the motion of a cerebral palsy patient, in hopes of finding therapies and surgeries that dovetail with the way her nervous system is functioning.

"It might be surprising to find a biologist pushing the frontiers of computer animation. But Torsten Reil is bringing cheaper, lifelike digital characters to video games and films."

Technology Review

beaver engineer

Nature gave beavers the most valuable characteristics: intelligent, hard-working, patience.

I just watched the National Geographics TV series for Beaver Engineer, very impressive documentary movie.

AI conference ranking

AREA: Artificial Intelligence and Related Subjects

http://www3.ntu.edu.sg/home/ASSourav/crank.htm

Rank 1:

AAAI: American Association for AI National Conference
CVPR: IEEE Conf on Comp Vision and Pattern Recognition
IJCAI: Intl Joint Conf on AI
ICCV: Intl Conf on Computer Vision
ICML: Intl Conf on Machine Learning
KDD: Knowledge Discovery and Data Mining
KR: Intl Conf on Principles of KR & Reasoning
NIPS: Neural Information Processing Systems
UAI: Conference on Uncertainty in AI
AAMAS: Intl Conf on Autonomous Agents and Multi-Agent Systems (past: ICAA)
ACL: Annual Meeting of the ACL (Association of Computational Linguistics)

Rank 2:

NAACL: North American Chapter of the ACL
AID: Intl Conf on AI in Design
AI-ED: World Conference on AI in Education
CAIP: Inttl Conf on Comp. Analysis of Images and Patterns
CSSAC: Cognitive Science Society Annual Conference
ECCV: European Conference on Computer Vision
EAI: European Conf on AI
EML: European Conf on Machine Learning
GECCO: Genetic and Evolutionary Computation Conference (used to be GP)
IAAI: Innovative Applications in AI
ICIP: Intl Conf on Image Processing
ICNN/IJCNN: Intl (Joint) Conference on Neural Networks
ICPR: Intl Conf on Pattern Recognition
ICDAR: International Conference on Document Analysis and Recognition
ICTAI: IEEE conference on Tools with AI
AMAI: Artificial Intelligence and Maths
DAS: International Workshop on Document Analysis Systems
WACV: IEEE Workshop on Apps of Computer Vision
COLING: International Conference on Computational Liguistics
EMNLP: Empirical Methods in Natural Language Processing
EACL: Annual Meeting of European Association Computational Lingustics
CoNLL: Conference on Natural Language Learning
DocEng: ACM Symposium on Document Engineering
IEEE/WIC International Joint Conf on Web Intelligence and Intelligent Agent Technology
ICDM - IEEE International Conference on Data Mining

Rank 3:

PRICAI: Pacific Rim Intl Conf on AI
AAI: Australian National Conf on AI
ACCV: Asian Conference on Computer Vision
AI*IA: Congress of the Italian Assoc for AI
ANNIE: Artificial Neural Networks in Engineering
ANZIIS: Australian/NZ Conf on Intelligent Inf. Systems
CAIA: Conf on AI for Applications
CAAI: Canadian Artificial Intelligence Conference
ASADM: Chicago ASA Data Mining Conf: A Hard Look at DM
EPIA: Portuguese Conference on Artificial Intelligence
FCKAML: French Conf on Know. Acquisition & Machine Learning
ICANN: International Conf on Artificial Neural Networks
ICCB: International Conference on Case-Based Reasoning
ICGA: International Conference on Genetic Algorithms
ICONIP: Intl Conf on Neural Information Processing
IEA/AIE: Intl Conf on Ind. & Eng. Apps of AI & Expert Sys
ICMS: International Conference on Multiagent Systems
ICPS: International conference on Planning Systems
IWANN: Intl Work-Conf on Art & Natural Neural Networks
PACES: Pacific Asian Conference on Expert Systems
SCAI: Scandinavian Conference on Artifical Intelligence
SPICIS: Singapore Intl Conf on Intelligent System
PAKDD: Pacific-Asia Conf on Know. Discovery & Data Mining
SMC: IEEE Intl Conf on Systems, Man and Cybernetics
PAKDDM: Practical App of Knowledge Discovery & Data Mining
WCNN: The World Congress on Neural Networks
WCES: World Congress on Expert Systems
ASC: Intl Conf on AI and Soft Computing
PACLIC: Pacific Asia Conference on Language, Information and Computation
ICCC: International Conference on Chinese Computing
ICADL: International Conference on Asian Digital Libraries
RANLP: Recent Advances in Natural Language Processing
NLPRS: Natural Language Pacific Rim Symposium
Meta-Heuristics International Conference

Rank 3:

ICRA: IEEE Intl Conf on Robotics and Automation
NNSP: Neural Networks for Signal Processing
ICASSP: IEEE Intl Conf on Acoustics, Speech and SP
GCCCE: Global Chinese Conference on Computers in Education
ICAI: Intl Conf on Artificial Intelligence
AEN: IASTED Intl Conf on AI, Exp Sys & Neural Networks
WMSCI: World Multiconfs on Sys, Cybernetics & Informatics
LREC: Language Resources and Evaluation Conference
AIMSA: Artificial Intelligence: Methodology, Systems, Applications
AISC: Artificial Intelligence and Symbolic Computation
CIA: Cooperative Information Agents
International Conference on Computational Intelligence for Modelling, Control and Automation
Pattern Matching
ECAL: European Conference on Artificial Life
EKAW: Knowledge Acquisition, Modeling and Management
EMMCVPR: Energy Minimization Methods in Computer Vision and Pattern Recognition
EuroGP: European Conference on Genetic Programming
FoIKS: Foundations of Information and Knowledge Systems
IAWTIC: International Conference on Intelligent Agents, Web Technologies and Internet Commerce
ICAIL: International Conference on Artificial Intelligence and Law
SMIS: International Syposium on Methodologies for Intelligent Systems
IS&N: Intelligence and Services in Networks
JELIA: Logics in Artificial Intelligence
KI: German Conference on Artificial Intelligence
KRDB: Knowledge Representation Meets Databases
MAAMAW: Modelling Autonomous Agents in a Multi-Agent World
NC: ICSC Symposium on Neural Computation
PKDD: Principles of Data Mining and Knowledge Discovery
SBIA: Brazilian Symposium on Artificial Intelligence
Scale-Space: Scale-Space Theories in Computer Vision
XPS: Knowledge-Based Systems
I2CS: Innovative Internet Computing Systems
TARK: Theoretical Aspects of Rationality and Knowledge Meeting
MKM: International Workshop on Mathematical Knowledge Management
ACIVS: International Conference on Advanced Concepts For Intelligent Vision Systems
ATAL: Agent Theories, Architectures, and Languages
LACL: International Conference on Logical Aspects of Computational Linguistics

AI conference ranking

AREA: Artificial Intelligence and Related Subjects

Rank 1:

AAAI: American Association for AI National Conference
CVPR: IEEE Conf on Comp Vision and Pattern Recognition
IJCAI: Intl Joint Conf on AI
ICCV: Intl Conf on Computer Vision
ICML: Intl Conf on Machine Learning
KDD: Knowledge Discovery and Data Mining
KR: Intl Conf on Principles of KR & Reasoning
NIPS: Neural Information Processing Systems
UAI: Conference on Uncertainty in AI
AAMAS: Intl Conf on Autonomous Agents and Multi-Agent Systems (past: ICAA)
ACL: Annual Meeting of the ACL (Association of Computational Linguistics)

Rank 2:

NAACL: North American Chapter of the ACL
AID: Intl Conf on AI in Design
AI-ED: World Conference on AI in Education
CAIP: Inttl Conf on Comp. Analysis of Images and Patterns
CSSAC: Cognitive Science Society Annual Conference
ECCV: European Conference on Computer Vision
EAI: European Conf on AI
EML: European Conf on Machine Learning
GECCO: Genetic and Evolutionary Computation Conference (used to be GP)
IAAI: Innovative Applications in AI
ICIP: Intl Conf on Image Processing
ICNN/IJCNN: Intl (Joint) Conference on Neural Networks
ICPR: Intl Conf on Pattern Recognition
ICDAR: International Conference on Document Analysis and Recognition
ICTAI: IEEE conference on Tools with AI
AMAI: Artificial Intelligence and Maths
DAS: International Workshop on Document Analysis Systems
WACV: IEEE Workshop on Apps of Computer Vision
COLING: International Conference on Computational Liguistics
EMNLP: Empirical Methods in Natural Language Processing
EACL: Annual Meeting of European Association Computational Lingustics
CoNLL: Conference on Natural Language Learning
DocEng: ACM Symposium on Document Engineering
IEEE/WIC International Joint Conf on Web Intelligence and Intelligent Agent Technology
ICDM - IEEE International Conference on Data Mining

Rank 3:

PRICAI: Pacific Rim Intl Conf on AI
AAI: Australian National Conf on AI
ACCV: Asian Conference on Computer Vision
AI*IA: Congress of the Italian Assoc for AI
ANNIE: Artificial Neural Networks in Engineering
ANZIIS: Australian/NZ Conf on Intelligent Inf. Systems
CAIA: Conf on AI for Applications
CAAI: Canadian Artificial Intelligence Conference
ASADM: Chicago ASA Data Mining Conf: A Hard Look at DM
EPIA: Portuguese Conference on Artificial Intelligence
FCKAML: French Conf on Know. Acquisition & Machine Learning
ICANN: International Conf on Artificial Neural Networks
ICCB: International Conference on Case-Based Reasoning
ICGA: International Conference on Genetic Algorithms
ICONIP: Intl Conf on Neural Information Processing
IEA/AIE: Intl Conf on Ind. & Eng. Apps of AI & Expert Sys
ICMS: International Conference on Multiagent Systems
ICPS: International conference on Planning Systems
IWANN: Intl Work-Conf on Art & Natural Neural Networks
PACES: Pacific Asian Conference on Expert Systems
SCAI: Scandinavian Conference on Artifical Intelligence
SPICIS: Singapore Intl Conf on Intelligent System
PAKDD: Pacific-Asia Conf on Know. Discovery & Data Mining
SMC: IEEE Intl Conf on Systems, Man and Cybernetics
PAKDDM: Practical App of Knowledge Discovery & Data Mining
WCNN: The World Congress on Neural Networks
WCES: World Congress on Expert Systems
ASC: Intl Conf on AI and Soft Computing
PACLIC: Pacific Asia Conference on Language, Information and Computation
ICCC: International Conference on Chinese Computing
ICADL: International Conference on Asian Digital Libraries
RANLP: Recent Advances in Natural Language Processing
NLPRS: Natural Language Pacific Rim Symposium
Meta-Heuristics International Conference

Rank 3:

ICRA: IEEE Intl Conf on Robotics and Automation
NNSP: Neural Networks for Signal Processing
ICASSP: IEEE Intl Conf on Acoustics, Speech and SP
GCCCE: Global Chinese Conference on Computers in Education
ICAI: Intl Conf on Artificial Intelligence
AEN: IASTED Intl Conf on AI, Exp Sys & Neural Networks
WMSCI: World Multiconfs on Sys, Cybernetics & Informatics
LREC: Language Resources and Evaluation Conference
AIMSA: Artificial Intelligence: Methodology, Systems, Applications
AISC: Artificial Intelligence and Symbolic Computation
CIA: Cooperative Information Agents
International Conference on Computational Intelligence for Modelling, Control and Automation
Pattern Matching
ECAL: European Conference on Artificial Life
EKAW: Knowledge Acquisition, Modeling and Management
EMMCVPR: Energy Minimization Methods in Computer Vision and Pattern Recognition
EuroGP: European Conference on Genetic Programming
FoIKS: Foundations of Information and Knowledge Systems
IAWTIC: International Conference on Intelligent Agents, Web Technologies and Internet Commerce
ICAIL: International Conference on Artificial Intelligence and Law
SMIS: International Syposium on Methodologies for Intelligent Systems
IS&N: Intelligence and Services in Networks
JELIA: Logics in Artificial Intelligence
KI: German Conference on Artificial Intelligence
KRDB: Knowledge Representation Meets Databases
MAAMAW: Modelling Autonomous Agents in a Multi-Agent World
NC: ICSC Symposium on Neural Computation
PKDD: Principles of Data Mining and Knowledge Discovery
SBIA: Brazilian Symposium on Artificial Intelligence
Scale-Space: Scale-Space Theories in Computer Vision
XPS: Knowledge-Based Systems
I2CS: Innovative Internet Computing Systems
TARK: Theoretical Aspects of Rationality and Knowledge Meeting
MKM: International Workshop on Mathematical Knowledge Management
ACIVS: International Conference on Advanced Concepts For Intelligent Vision Systems
ATAL: Agent Theories, Architectures, and Languages
LACL: International Conference on Logical Aspects of Computational Linguistics