home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1993 #1 / NN_1993_1.iso / spool / or / general / 765 < prev    next >
Encoding:
Internet Message Format  |  1993-01-06  |  5.8 KB
  1. Xref: sparky or.general:765 pdx.general:1461 ogi.general:44
  2. Path: sparky!uunet!ogicse!ogicse.cse.ogi.edu!kelly
  3. From: kelly@ogicse.cse.ogi.edu (Kelly Atkinson)
  4. Newsgroups: or.general,pdx.general,ogi.general
  5. Subject: Computer Science Colloquia
  6. Message-ID: <48147@ogicse.ogi.edu>
  7. Date: 6 Jan 93 20:23:41 GMT
  8. Article-I.D.: ogicse.48147
  9. Sender: kelly@ogicse.ogi.edu
  10. Distribution: or
  11. Organization: Oregon Graduate Institute (formerly OGC), Beaverton, OR
  12. Lines: 118
  13.  
  14.  
  15. Oregon Graduate Institute
  16. Department of Computer Science and Engineering
  17.  
  18. COLLOQUIUM SERIES
  19.  
  20.  
  21. -----------------------------------------------------------------------
  22. Issues in Scientific Computing Colloquium Series
  23. (Co-sponsored by OCATE)
  24.  
  25. Applications Demand Class-Specific Optimizations: 
  26.        The C++ Compiler Can Do More
  27. Ian G. Angus, Boeing Computer Services
  28.  
  29. Friday, January 15, 1993,  3:30 p.m.
  30. Main Seminar Room, OGI Administration Building
  31.  
  32. So far C++ has made few inroads into the realm of scientific computing, 
  33. which is still largely dominated by Fortran.  Of the few attempts that have 
  34. been made to apply C++ to numerically intensive codes, the results have 
  35. often suffered from annoying performance problems.  Examination of these 
  36. problems suggests that they are unlikely to be solved by incremental 
  37. improvements in compiler optimization technology.
  38.  
  39. In this talk we will:
  40. *    Motivate the discussion by describing a common efficiency problem 
  41. that arises when numerical codes are programmed in C++.
  42. *    Discuss some potential solution strategies that we believe to be 
  43. viable in the near term, but not over the long term.
  44. *    Introduce a minimal mechanism through which a compiler could 
  45. solve these problems by loading class-specific optimizations on an as-
  46. needed basis.  A simple interface that will enable this feature will be 
  47. presented.
  48.  
  49. While our immediate motivation is that of numerically intensive codes,
  50. our approach will be applicable to all application domains.
  51.  
  52.  
  53. -----------------------------------------------------------------------
  54. Getting At Information In Speech
  55. Hynek Hermansky, U S WEST Advanced Technologies
  56.  
  57. Tuesday, January 19, 1992, 10:30 a.m.
  58. Main Seminar Room, OGI Administration Building
  59.  
  60. Automatic recognition of speech aspires for automatic decoding of the 
  61. linguistic information from speech.  The task is complicated since, besides 
  62. the linguistic information, speech carries information from many additional 
  63. sources, such as the identity of talker or identity and quality of 
  64. environment in which the speech was produced and over which it was 
  65. transmitted.  The resulting variability in speech is currently being handled 
  66. by extensive training of recognizers on large databases which cover most 
  67. sources of the anticipated variability.
  68.  
  69. Database collection is expensive, and one can never be sure that all sources 
  70. of variability are being covered.  Our goal is to understand and to be able 
  71. to model (and thus to alleviate) sources of harmful variability in speech.  
  72. We discuss our recent techniques that are aimed at improving 
  73. performance of recognizers in severe telecommunications environments.   
  74. We are primarily guided by engineering considerations.  Nevertheless we 
  75. are arriving to solutions consistent with our knowledge of human 
  76. information processing.
  77.  
  78.  
  79. -----------------------------------------------------------------------
  80. The Starburst Database Rule System: Language Design, Implementation
  81.      and Applications
  82. Jennifer Widom, IBM Almaden Research Center
  83.  
  84. Friday, January 22, 1992, 11:30 a.m.
  85. Room 102, OGI Computer Science and Engineering Bldg.
  86.  
  87. This talk surveys our development of the Starburst Rule System, a 
  88. production rules facility integrated into the Starburst extensible database 
  89. system at the IBM Almaden Research Center.  Database production rules 
  90. allow definition of operations that are executed automatically whenever 
  91. certain events occur or conditions are met, making the database system 
  92. "active."
  93.  
  94. The Starburst rule language is based on arbitrary database state 
  95. transitions rather than tuple- or statement-level changes, yielding a clear 
  96. and flexible execution semantics.  The rule system was implemented 
  97. rapidly using the extensibility features of Starburst; it is integrated into all 
  98. aspects of query and transaction processing, including concurrency control, 
  99. authorization, rollback, etc.  Since production rules can be difficult to 
  100. program, we have developed a number of methods for automatically 
  101. generating database rule applications, including integrity constraints, 
  102. materialized views, and deductive rules.
  103.  
  104.  
  105. -----------------------------------------------------------------------
  106. Language Issues in Software Specification and Development Colloquium 
  107. Series
  108. (Co-sponsored by OCATE)
  109.  
  110. Type Inference with Set Constraints
  111. Alex Aiken, IBM Almaden Research Center
  112.  
  113. Friday, January 22, 1992, 3:30 p.m.
  114. Main Seminar Room, OGI Administration Building
  115.  
  116. Set constraints are a simple extension of standard type languages.  In 
  117. addition to the usual type constructors, set constraints add the set 
  118. operations (union, intersection, and a kind of negation) and constraints of 
  119. the form "X is a subset of Y".  This combination of inclusion constraints and 
  120. set operations makes it possible to devise some very powerful type 
  121. systems.
  122.  
  123. While set constraints seem like a natural basis for type systems, the idea 
  124. has not received much attention.  This is partly because many algorithms 
  125. on set constraints are computationally expensive, but also because 
  126. progress has been slow on the central problem of solving systems of set 
  127. constraints.  In this talk, we present an algorithm for solving systems of 
  128. set constraints and discuss its application to type inference.  The talk will 
  129. be illustrated with examples taken from our implementation of a type 
  130. inference system based on solving systems of set constraints. This is joint 
  131. work with Ed Wimmers.
  132.