<div><br></div>Note Alison Lewko&#39;s talk of cryptographic interest next Wed (below).<br><br><div class="gmail_quote">---------- Forwarded message ----------<br>From: <b class="gmail_sendername">Irene Money</b> <span dir="ltr">&lt;<a href="mailto:irenem@microsoft.com">irenem@microsoft.com</a>&gt;</span><br>

Date: Fri, Jan 6, 2012 at 10:29 AM<br>Subject: Microsoft Research New England Weekly Event Digest<br>To: Leonid Reyzin &lt;<a href="mailto:reyzin@cs.bu.edu">reyzin@cs.bu.edu</a>&gt;<br><br><br>Microsoft Research New England Weekly Event Digest<br>


<br>
Here is a digest of the upcoming seminars sponsored by the Microsoft Research New England Lab:<br>
<br>
<br>
Biology Seminar: From Neural Circuits to Cellular Circuits – Andreas Pfenning, CMU| Monday, Jan 9 @ 11 AM @ MIT Building 56-114<br>
<br>
Biology Seminar: Identifying the Signaling Cascades and Transcriptional Regulators that Control Stress Responses – Anthony Gitter, CMU | Tues Jan 10 @ 11 AM @ MIT Building 56-614<br>
<br>
MSR Seminar: New Proof Techniques for Attribute-Based Encryption – Allison Bishop Lewko, University of Texas at Austin | Wed Jan 11 @ 11 AM @ MSR<br>
<br>
MSR Seminar: Algorithmic solutions to some statistical questions – Gregory Valiant, Berkeley | Thur Jan 12 @ 11 AM @MSR<br>
<br>
<br>
ARRIVAL GUIDANCE:<br>
Upon arrival, be prepared to show a picture ID and sign the Building Visitor Log when approaching the Lobby Floor Security Desk. Alert them to the name of the MSR event you are attending and ask them to direct you to the appropriate floor. Typically the talks are located in the First Floor Conference Center, however sometimes the location may change.<br>


<br>
More details follow:<br>
<br>
******************************************************************************************************************************<br>
******************************************************************************************************************************<br>
WHO:                          Andreas Pfenning<br>
AFFILIATION:             Duke University Computational Biology and Bioinformatics<br>
TITLE:                         From Neural Circuits to Cellular Circuits<br>
HOST:                         Ernest Fraenkel<br>
WHEN:                        Monday, January 9<br>
WHERE:                     MIT Building 56-114: See <a href="http://whereis.mit.edu/" target="_blank">http://whereis.mit.edu/</a><br>
TIME:                          11 AM – 12 PM<br>
******************************************************************************************************************************<br>
<br>
Abstract<br>
Complex behaviors have a large effect on gene expression in the brain regions involved in the production of that behavior.  In turn, that gene expression can affect behavior on a larger time scale. To better understand the relationship between the dynamics of gene expression and complex behaviors, we take a systems biology approach to the song system in vocal learning birds.  Song production is a complex (but very quantifiable) behavior, the neural circuits involved are well studied, and several of the brain regions involved in that circuit have a strong gene expression response.  First, we profiled the gene expression program across four song nuclei in the zebra finch over a time course of seven hours.  We find hundreds to thousands of genes being regulated as the bird produces learned vocalizations.  Surprisingly, the majority of gene expression was unique or strongly enriched in one or a subset of regions.  To understand the functions and mechanisms in the variation in the response, the gene expression patterns are related to behavioral variables, such as song amount and entropy, in a time lagged linear model.  Several behaviors robustly predict gene expression levels in the particular regions associated with that behavior.  The tightly controlled regulation of genes in response to behavior suggests that they may serve a broader role the nervous system.  We propose a theoretical feed-forward network at the level of signaling molecules and transcription factors that could function to make decisions at the cellular level based on a behavioral stimulus. Connecting the molecular, anatomical, and behavioral levels of a biological process is difficult challenge in modern neuroscience.  We have developed a systems biology framework to approach this problem and applied it to the complex process of producing learned vocalizations.<br>


<br>
Biography<br>
Andreas grew up in Pittsburgh and attended Carnegie Mellon University.  He completed his undergraduate degree in Computer Science there, doing research on computational models of transcription factor binding sites.  Now a Ph.D. candidate  in computational biology at Duke, he is the laboratory of Erich Jarvis in Neurobiology, coadvised by Alexander Hartemink in Computer Science.  At Duke, Andreas has worked on a variety of projects including the characterization of the transcription factor CaRF, the relationship between salt craving and drug addiction, and the evolution of the vocal learning behavior.<br>


<br>
******************************************************************************************************************************<br>
******************************************************************************************************************************<br>
<br>
WHO:                          Anthony Gitter<br>
AFFILIATION:             Carnegie Mellon<br>
TITLE:                         Identifying the Signaling Cascades and Transcriptional Regulators that Control Stress Responses<br>
HOST:                         Ernest Fraenkel<br>
WHEN:                        Tuesday, January 10<br>
WHERE:                     MIT Building 56-614: See <a href="http://whereis.mit.edu/" target="_blank">http://whereis.mit.edu/</a><br>
TIME:                          11 AM – 12 PM<br>
******************************************************************************************************************************<br>
<br>
Abstract<br>
Adaptation to diverse and ever-changing environmental conditions is vital to the survival of all organisms.  In many stress responses upstream proteins (e.g. receptors or host proteins that interact with a pathogen) detect an environmental stimulus and propagate signals via cascades of protein-protein interactions to the nucleus where transcription factors selectively activate or inhibit genes.  For many such responses, these upstream proteins have been at least partially characterized, but knowledge of the mechanisms through which they transmit information and ultimately affect transcriptional regulation is much less complete.  We present a strategy for integrating large-scale data sources to link the signaling and transcriptional components of environmental stress response.  Our predicted models include the dynamics of transcription factor activity as well as the directed pathways that activate these regulators, which are inferred from the originally undirected protein interaction network.  Studies in model organisms reveal that our approach can recover known pathways and identify missing participants, some of which we validated experimentally.  Furthermore, we discuss clinical applications of our algorithm for modeling H1N1 influenza infection.<br>


<br>
Biography<br>
Anthony Gitter is a Computer Science Ph.D. student in Ziv Bar-Joseph’s group at Carnegie Mellon University.  His research explores problems in systems biology using techniques from both machine learning and combinatorial optimization.  Specific interests include signaling pathways involved in stress response, biological network redundancy, and dynamic transcriptional regulatory programs.  Anthony previously interned with David Heckerman at Microsoft Research Los Angeles, where he worked on inferring causal associations between genetic variations, gene expression, and disease.<br>


<br>
******************************************************************************************************************************<br>
******************************************************************************************************************************<br>
<br>
WHO:                          Allison Bishop Lewko<br>
AFFILIATION:             University of Texas at Austin<br>
TITLE:                         New Proof Techniques for Attribute-Based Encryption<br>
HOST:                         Yael Kalai<br>
WHEN:                        Wed Jan 11<br>
WHERE:                     Microsoft Conference Center located at One Memorial Drive, First Floor, Cambridge, MA<br>
TIME:                          11 AM – 12 PM<br>
******************************************************************************************************************************<br>
<br>
Abstract<br>
In an attribute-based encryption scheme, users are given keys associated to attributes and ciphertexts are encrypted under access policies describing which sets of attributes qualify users to decrypt. The goal of such systems is to provide advanced functionality and flexibility along with strong security guarantees. We present new techniques for proving full security of attribute-based encryption schemes. We will also discuss extensions of these techniques to providing new capabilities, particularly allowing for multiple authorities to issue keys in a decentralized system. This talk is based on joint works with Brent Waters and with Tatsuaki Okamoto, Amit Sahai, Katsuyuki Takashima, and Brent Waters.<br>


<br>
Biography<br>
Allison Bishop Lewko received an A.B. degree in mathematics from Princeton University in 2006 and a Certificate of Advanced Study in Mathematics from The University of Cambridge in 2007. She is currently a Ph.d. candidate in the computer science department at The University of Texas at Austin, advised by Brent Waters. Her current areas of research are cryptography, distributed computing, harmonic analysis, and combinatorics.<br>


<br>
******************************************************************************************************************************<br>
******************************************************************************************************************************<br>
WHO:                          Gregory Valiant<br>
AFFILIATION:             Berkeley<br>
TITLE:                         Algorithmic solutions to some statistical questions<br>
HOST:                         Adam Kalai<br>
WHEN:                        Thursday, January 12<br>
WHERE:                     Microsoft Conference Center located at One Memorial Drive, First Floor, Cambridge, MA<br>
TIME:                          11 AM – 12 PM<br>
******************************************************************************************************************************<br>
<br>
Abstract<br>
I will discuss three classical statistical problems for which the computational perspective unlocks insights into the fundamental nature of these tasks, and suggests new approaches to coping with the increasing size of real-world datasets.<br>


The first problem is recovering the parameters of a mixture of Gaussian distributions.  Given data drawn from a single Gaussian distribution, the sample mean and covariance of the data trivially yield good estimates of the parameters of the true distribution;  if, however, some of the data points are drawn according to one Gaussian, and the rest of the data points are drawn according to a different Gaussian, how can one recover the parameters of each Gaussian component?  This problem was first proposed by Pearson in the 1890&#39;s, and, in the last decade, was revisited by  computer scientists.  In a pair of papers with Adam Kalai and Ankur Moitra, we established that both the sample complexity, and computational complexity of this problem are polynomial in the relevant parameters (the dimension, and the inverse of the desired accuracy).<br>


The second problem, investigated in a series of papers with Paul Valiant, considers the tasks of estimating a broad class of statistical properties, which includes entropy, L_k distances between pairs of distributions, and support size.  There are several implications of our results, including resolving the sample complexity of the `distinct elements problem&#39; (i.e. given a data table with n rows, how many random rows must one query to accurately estimate the number of distinct rows?).  We show that on the order of n/log n rows is both necessary, and sufficient, improving significantly on both the prior upper and lower bounds for this problem.<br>


Finally I&#39;ll describe some new bounds for the problem of learning noisy juntas (and parities).  Roughly, this problem captures the task of determining the `relevant&#39; variables---for example, given a large table with columns representing the expression of many different genes,  and one final column representing the incidence of some medical condition, how can one efficiently find the (possibly small) subset of genes that is relevant to predicting the condition?<br>


<br>
Biography<br>
Gregory Valiant is currently finishing his PhD at UC Berkeley under the supervision of Christos Papadimitriou, and has enjoyed summer internships at MSR New England, and IBM Almaden.  His research interests include algorithms, learning theory, evolution, and game theory, with his most recent work focusing on algorithmic approaches to several classical questions in statistics.<br>


<br>
******************************************************************************************************************************<br>
******************************************************************************************************************************<br>
<br>
You are currently subscribed to the MSRNE-Seminars mailing list as: <a href="mailto:reyzin@cs.bu.edu">reyzin@cs.bu.edu</a>.<br>
<br>
SUBSCRIBING:<br>
<br>
Send a blank message to:<br>
<br>
<a href="mailto:join-msrne-seminars@list.research.microsoft.com">join-msrne-seminars@list.research.microsoft.com</a><br>
<br>
UNSUBSCRIBING:<br>
<br>
Send a message to your personal unsubscribe address included in each<br>
message, or send a message to:<br>
<br>
<a href="mailto:leave-msrne-seminars@list.research.microsoft.com">leave-msrne-seminars@list.research.microsoft.com</a><br>
<br>
or<br>
<br>
<a href="mailto:leave-1300090-242719.46c076656e27395b817aa121af8a4546@list.research.microsoft.com">leave-1300090-242719.46c076656e27395b817aa121af8a4546@list.research.microsoft.com</a><br>
Please see our Privacy Statement:<br>
<a href="http://research.microsoft.com/en-us/about/listserverprivacy.aspx" target="_blank">http://research.microsoft.com/en-us/about/listserverprivacy.aspx</a></div><br>