KDD2021最佳論文獎揭曉！胡俠獲新星獎，論文接收率僅15%

大數(shù)據(jù)文摘授權(quán)轉(zhuǎn)載自智源社區(qū)

整理：戴一鳴，李夢佳

8月5日，ACM SIGKDD 2021 正式公布了最佳論文獎，Runner Up獎、新星獎、研究時間檢驗獎、應(yīng)用數(shù)據(jù)科學(xué)時間檢驗獎、創(chuàng)新獎和服務(wù)獎。

 

其中斯坦福大學(xué)的Aditya Grover獲得最佳論文獎，UIUC 的Shweta Jain獲得Runner Up 獎，萊斯大學(xué)的華人學(xué)者胡俠獲得新星獎。

 

研究時間檢驗獎由Chong Wang和David M. Blei共同獲得，應(yīng)用數(shù)據(jù)科學(xué)時間檢驗獎的獲獎?wù)呤荄iane Tang等人。

 

來自微軟的Johannes Gehrke獲得創(chuàng)新獎，來自Linkedin的Shipeng Yu獲得服務(wù)獎。

 

ACM SIGKDD（國際數(shù)據(jù)挖掘與知識發(fā)現(xiàn)大會，簡稱 KDD）是世界數(shù)據(jù)挖掘領(lǐng)域的最高級別的學(xué)術(shù)會議，由 ACM 的數(shù)據(jù)挖掘及知識發(fā)現(xiàn)專委會（SIGKDD）主辦，被中國計算機(jī)協(xié)會推薦為 A 類會議。

 

自 1995 年以來，KDD 已經(jīng)連續(xù)舉辦了26屆，今年將于2021年8月14日至18日在新加坡舉辦。本次SIGKDD 2021大會共收到1541篇有效投稿，其中238篇論文被接收，接收率為15.44%，相比 KDD 2020 的接收率16.9%有所下降（216/1279篇）。

KDD 論文獎

 

論文標(biāo)題: Learning to Represent and Reason Under Limited Supervision

標(biāo)題：在有限監(jiān)督條件下的學(xué)習(xí)表征和推理

作者：Aditya Grover

機(jī)構(gòu)：Facebook AI研究院

論文摘要： 

自然智能體，如人類，擅長構(gòu)建世界的表征，并使用這些表征來有效地進(jìn)行推理和做決策。即使在有限的監(jiān)督下，這種高級推理能力也可以發(fā)展起來。與此形成鮮明對比的是，基于機(jī)器學(xué)習(xí) (ML) 的智能體在獲得大規(guī)模標(biāo)注數(shù)據(jù)集或模擬器的條件下取得主要進(jìn)展，如目標(biāo)識別和玩游戲等。

本論文由三部分組成。首先，論文建立了基礎(chǔ)的學(xué)習(xí)概率生成模型，目標(biāo)是模擬所有可用的數(shù)據(jù)，即使在監(jiān)督受限的環(huán)境中，也能夠為智能體提供一個自然的學(xué)習(xí)目標(biāo)。論文討論了很多使用這些模型進(jìn)行高維學(xué)習(xí)和推理所需要的取舍（trade-off），包括選擇特定的學(xué)習(xí)目標(biāo)、優(yōu)化流程和模型參數(shù)等。

 

基于這些結(jié)果，研究者開發(fā)了新算法來提高模型的性能，并在用未標(biāo)記的數(shù)據(jù)集進(jìn)行訓(xùn)練時降低偏置。之后，研究者將這些模型擴(kuò)展到關(guān)系數(shù)據(jù)領(lǐng)域，用來學(xué)習(xí)這些數(shù)據(jù)的表征。這一過程是無監(jiān)督的，研究者探索并展示了模型在分類和序列決策中的性能。最后，論文介紹了這些模型在加速科學(xué)研究的兩個實際應(yīng)用：1.學(xué)習(xí)壓縮感知的數(shù)據(jù)相關(guān)先驗；2.優(yōu)化電池充電的實驗設(shè)計。這些案例說明， 智能體能夠克服現(xiàn)實世界中高維推理和決策問題的關(guān)鍵監(jiān)督瓶頸。

 

作者介紹：

 

Aditya Grover是Facebook AI核心機(jī)器學(xué)習(xí)團(tuán)隊的一位研究者，同時也是UCLA計算機(jī)系的一名助理教授。

Aditya的主要研究方向是用于概率建模的機(jī)器學(xué)習(xí)，無監(jiān)督表征學(xué)習(xí)，以及序列決策，這些研究已用于物理學(xué)、氣候變化等領(lǐng)域。Aditya于2020年畢業(yè)于斯坦福大學(xué)，獲得博士學(xué)位，并在谷歌大腦、微軟研究院、OpenAI等機(jī)構(gòu)完成了實習(xí)。

KDD Runner-up 獎

論文標(biāo)題（中）：現(xiàn)實世界圖中的團(tuán)計數(shù)

論文標(biāo)題（英）：Counting Cliques in Real-World Graphs

作者: Shweta Jain

單位：伊利諾伊大學(xué)厄巴納-香檳分校

論文摘要： 

團(tuán)是網(wǎng)絡(luò)科學(xué)中的重要結(jié)構(gòu)，在垃圾郵件檢測、圖形分析、圖形建模、社區(qū)檢測等領(lǐng)域有著廣泛的應(yīng)用。由于組合數(shù)量過多的問題，獲得具有數(shù)百萬個節(jié)點和邊的圖的 k-團(tuán)計數(shù)是一個具有挑戰(zhàn)性的問題。隨著 k 的增加，k 團(tuán)的數(shù)量呈指數(shù)增長，目前缺乏除了枚舉以外的其他計算方法。大多數(shù)現(xiàn)有的技術(shù)無法計算 k > 5的 k 團(tuán)計數(shù)。因此，獲得全局 k 團(tuán)計數(shù)非常具有挑戰(zhàn)性。獲得每條邊或每個頂點所屬的 k 團(tuán)計數(shù)（稱為局部 k 團(tuán)的計數(shù)）更是如此。

 

在這項工作中，研究者提出了一套技術(shù)，以有效地計算在大型圖中 k團(tuán)的數(shù)量，提升了模型的水平，達(dá)到了目前的最佳效果。論文的第一個方法是名為 TuránShadow 的隨機(jī)化算法，它使用極值組合學(xué)來估計 k 團(tuán)計數(shù)在 k ≤10時的數(shù)量級，而且比當(dāng)前的SOTA方法更快、更準(zhǔn)確。

 

研究者進(jìn)一步利用這種計算團(tuán)的機(jī)制來計算那些缺少了幾條邊的近團(tuán)（near-cliques）。在另一個應(yīng)用中，論文展示了如何超越邊，并結(jié)合高階結(jié)構(gòu)（如 k 團(tuán)）的信息，能夠生成比現(xiàn)有方法更具可讀性的圖形可視化。

 

論文提出的第二個方法稱為 Pivoter，它計算了所有 k 的全局和局部 k 團(tuán)，所用的時間只是所有其他方法(包括并行/近似方法)所用時間的一小部分。此外，此方法還改進(jìn)了團(tuán)計數(shù)從 O (2n)到 O (3n/3)的最壞情況下的運行時間，證明了確實可以不用枚舉來計算團(tuán)計數(shù)。至關(guān)重要的是，它使用了名為旋轉(zhuǎn)（pivoting）的經(jīng)典技術(shù)，這種技術(shù)大大減小了團(tuán)的搜索空間。利用該算法，論文首次得到了以前不可行的幾個圖的 k 團(tuán)計數(shù)。

 

隨著數(shù)據(jù)越來越多，挑戰(zhàn)也越來越大。在未來方向的探索上，研究者將致力于使大型、真實世界的圖表上的團(tuán)計數(shù)變得更容易。

 

作者簡介：

Shweta Jain 是伊利諾伊大學(xué)厄巴納-香檳分校的博士后，與 Hanghang Tong 教授一起工作。她最近在加州大學(xué)圣克魯茲分校獲得了計算機(jī)科學(xué)博士學(xué)位。Shweta 的研究興趣在于隨機(jī)化和近似算法、組合優(yōu)化、圖挖掘和應(yīng)用于海量數(shù)據(jù)的算法。

KDD 新星獎

本屆大會的新星獎頒發(fā)給了萊斯大學(xué)的胡俠博士，用于表彰他在以人為本的數(shù)據(jù)挖掘，以及研發(fā)可解釋、自動化的，能夠讓領(lǐng)域?qū)＜乙子跇?gòu)建復(fù)雜機(jī)器學(xué)習(xí)算法方面的貢獻(xiàn)。

胡俠博士是萊斯大學(xué)計算機(jī)系的副教授，目前已在NeurIPS, ICLR, KDD, WWW, IJCAI, AAAI等頂級會議上發(fā)表論文超過100篇。他的團(tuán)隊研發(fā)了知名開源工具包AutoKeras，是GitHub上目前使用最廣泛的自動機(jī)器學(xué)習(xí)工具（有8000多star和1000多fork量）。同時，胡俠博士在深度協(xié)同過濾、異常檢測、圖數(shù)據(jù)等方面的工作已分別被TensorFlow、蘋果和Bing的生產(chǎn)系統(tǒng)使用。

胡俠博士有多篇論文獲得頂會最佳論文獎，包括WWW，WSDM和ICDM。胡俠博士的總引用次數(shù)超過10000次，H-index達(dá)到41。他也是WSDM 2020大會的共同主席。

 

其他獎項

KDD大會還頒布了時間檢驗獎，嘉獎十多年前重要的領(lǐng)域論文，包括：

SIGKDD 時間檢驗獎（研究）

論文標(biāo)題（英）：Collaborative topic modeling for recommending scientific articles. KDD 2011: 448-456.

論文標(biāo)題（中）：為推薦科學(xué)文章進(jìn)行協(xié)同主題建模

作者：Chong Wang, David M. Blei

SIGKDD 時間檢驗獎（應(yīng)用數(shù)據(jù)科學(xué)）

論文標(biāo)題（英）：Overlapping experiment infrastructure: more, better, faster experimentation.  KDD 2010: 17-26

論文標(biāo)題（中）：疊加實驗基礎(chǔ)設(shè)施：更多、更好、更快的實驗

作者：Diane Tang, Ashish Agarwal, Deirdre O’Brien, Mike Meyer

 

SIGKDD創(chuàng)新獎

獲獎?wù)撸篋r. Johannes Gehrke（微軟）

理由：For his outstanding contributions to new data mining algorithms and data privacy

SIGKDD服務(wù)獎

獲獎?wù)撸篋r. Shipeng Yu（LinkedIn）

理由：For his outstanding history of serving and promoting the field of data mining and the data mining community

點「在看」的人都變好看了哦！