0
雷鋒網按：本文由雷鋒網作者奕欣、岑峰、張馳、三川聯合編輯。
北京時間8月15日，在經過兩天的Tutorial和Workshops后，KDD 2017于今天下午正式開幕。
開場，KDD 2017大會主席Stan Matwin向我們展示了一組數據：本次KDD共有來自51個國家1656名注冊參會人員，是美國之外注冊人數最多的一屆，參會人數最多的五個國家依次是：美國、中國、加拿大、印度和日本。這次會議共收到有效投稿論文1143篇，頒發(fā)學生獎學金15.3萬美元，均創(chuàng)下歷史新高。KDD 2017獲得了54.4萬美金的贊助支持，金額達到有史以來的第二高。
論文詳細收錄名單如下：http://www.kdd.org/kdd2017/accepted-papers
隨后，KDD 2017大會主席Stan Matwin與區(qū)域主席Evangelos Milios，被哈利法克斯市政府授予哈利法克斯大使獎。
大會副主席Faisal Farooq在發(fā)表致辭時，感謝了組委會的48位成員及158位辛勤付出的志愿者。
ACM SIGKDD主席裴健博士介紹了SIGKDD組織，目前SIGKDD共有1862位來自全球64個國家的活躍會員，擁有超過200萬美元的經費。裴健博士在會上呼吁大家積極加入SIGKDD，成為其中的一員。
會上公布了KDD 2017的一系列數據：
今年的KDD研究類論文的審核總數為748篇，收錄130篇，包括64篇oral，66篇poster，錄用率分別占8.6%及8.8%。
而應用類論文共審核390篇，收錄86篇，包括36篇oral，50篇poster，錄用率分別占9.2%和12.6%。
論文提交數最多的國家是美國（占50%）與中國（占13%）。
論文中最受歡迎的話題是：時間與時序數據（temporal and time-series data），圖算法（graph algorithms）。
Invited talk的關注領域：用數據科學理解行為，機器學習應用，智能系統(tǒng)和數據科學，管理與基準。
在隨后的議程上，KDD 2017公布了最佳論文&最佳學生論文獎，最佳應用論文獎，以及最佳博士論文獎（見后文詳細介紹）。
接下來進行了KDD Cup的頒獎。本次KDD Cup由阿里天池承辦，名叫Convolution的團隊包攬了兩個比賽第一名，成員來自美團點評、微軟中國和北京航空航天大學。關于這次比賽的結果，歡迎關注雷鋒網的后續(xù)報道。
隨后KDD對今年授予的三大核心獎項進行頒獎。2016年雷鋒網 AI 科技評論就針對當年的這三個獎項及獲獎者進行逐一介紹，詳情可參考《KDD2016各大獎項獲獎名單解密》。
在熱烈的掌聲中，十年最佳論文獎／時間檢驗論文獎獲得者 Thorsten Joachims 博士，杰出服務獎獲得者、香港科技大學教授楊強博士，KDD創(chuàng)新獎獲得者、西蒙弗雷澤大學教授裴健博士，依次上臺領獎。雷鋒網此前已對這三個獎項及得獎者做了詳細介紹。
最后，裴健博士以《Pattern Mining Introspection and Prospective》（模式挖掘的回顧與展望）為主題做了大會報告，他以“啤酒與尿布”這一廣為人知的案例說起，分享了他對于模式挖掘的最新研究成果和經驗。
KDD的三大論文獎項包括，最佳論文&最佳學生論文獎（Best Paper & Best Student Paper Award）和最佳應用論文獎（Applied Data Science Best Paper Award），博士論文獎（Doctoral Dissertation Award）。
論文：Accelerating Innovation Through Analogy Mining
作者：Tom Hope，Joel Chan，Aniket Kittur，Dafna Shahaf
摘要：大型概念資源庫（如美國專利數據庫）可以向人們提供類似問題的解決方案的靈感，從而加速創(chuàng)新和發(fā)現。然而在這些龐大而凌亂的資源庫中發(fā)現有用的信息，對于人類或自動化技術來說仍是一個挑戰(zhàn)。傳統(tǒng)的解決方法有，具有高度關系結構（如謂詞演算表征）但非常稀疏，且成本很高的人工創(chuàng)建的數據庫。更為簡單的機器學習/信息檢索相似性度量可以擴展到大型的自然語言數據集，但很難解釋結構相似性，而這又是類比的核心。這篇論文探討了學習更簡單的結構表征的可行性和價值，特別是“問題模式”，它規(guī)定了產品的目的，以及實現該目的的機制。論文中的方法結合眾包和CNN，提取產品描述中的目的和機制向量表示。論文表明，這些學習到的向量能比傳統(tǒng)的信息檢索方法，以更高精度和更快速度找到類比。在一個思想實驗中，模型檢索的類比能力提升了產生創(chuàng)意的可能性。研究結果表明，學習和利用較弱的結構表征，是大規(guī)模計算類比的有效方法。
Runner up論文：
Toeplitz Inverse Covariance-Based Clustering of Multivariate Time Series Data
作者：David Hallac, Sagar Vare, Stephen Boyd, Jure Leskovec
作者：Yanfang Ye，Shifu Hou，Yangqiu Song
摘要：隨著Android惡意軟件的增長及其對用戶的影響，Android惡意軟件檢測已成為網絡安全日益重要的課題。Android惡意軟件也越來越復雜，需要新防御技術從而保護用戶免受威脅。這篇論文中，為了檢測Android惡意軟件，我們不再僅僅使用API調用，而是進一步分析它們之間的不同關系，并創(chuàng)建更高層次的語義，這就讓攻擊者更難逃避被檢測。我們將Android應用，相關的API，及其與結構化異構信息網絡（HIN）的豐富關系作為代表。然后我們使用基于元路徑的方法來表征應用程序和API的語義相關性。我們使用每個元路徑來制定Android應用的相似性度量，并使用多內核學習聚合不同的相似之處。然后通過學習算法自動加權每個元路徑進行預測。據我們所知，這是使用結構化HIN進行Android惡意軟件檢測的最佳方法。對來自Comodo Cloud Security Center的實體樣本收集進行綜合實驗，我們比較了各種惡意軟件檢測方法。實驗結果表明，我們開發(fā)的HinDroid系統(tǒng)，勝過其他Android惡意軟件檢測技術。HinDroid已經被并入Comodo Mobile Security產品的掃描工具。
Runner up論文：
DeepSD: Generating High Resolution Climate Change Projections through Single Image Super-Resolution
作者：Thomas Vandal, Evan Kodra, Sangram Ganguly, Andrew Michaelis, Ramakrishna Nemani, Auroop R Ganguly
最佳論文：Local Modeling of Attributed Graphs: Algorithms and Applications
作者：Bryan Perozzi
摘要：對于在原始連接信息之外、有關聯節(jié)點屬性的圖，在現實中遇到它們正變得常態(tài)化。社交網絡就是個例子：既包含交友關系，又有興趣和人口統(tǒng)計信息等用戶屬性。一個存在于蛋白質之間的交互網絡，可能不僅有交互關系，還包含了蛋白質的基因表達層。這些信息就能用一個圖來描述——其中用節(jié)點表示對象，用邊緣表示它們之間的關系，與節(jié)點關聯的特征向量表示屬性。這種圖數據通常被稱作是屬性圖。這份論文聚焦于為屬性圖開發(fā)可擴展的算法與模型。這些數據可被看作是既離散（邊緣）、又連續(xù)（嵌入節(jié)點之間的距離），我會從這兩個角度探討這個問題。
具體地，我展示了一個網上學習算法，利用最新的深度學習技術生成豐富的圖嵌入。我通過這一新方法對多重社會關系進行編碼，其結果對網絡中的多標簽分類和回歸都非常有價值。
對于離散圖所呈現出的反常社群，我展示了用來處理它們的本地算法。對于導致社群誕生的圖屬性（比如某社交網絡中的用戶共同興趣），這些算法找出了它們的子集。該論文中，所有方法的可擴展性通過有限的圖初始參數來保證，比如 ego networks 和truncated random walks，它們以每個頂點為中心對本地信息進行利用。另外，對圖變量的范圍進行限制，使得我的方法能進行簡單的并行處理。這需要通過大數據處理商品工具來實現，比如MapReduce 和 Spark 。本研究的應用前景很廣闊：包括數據挖掘、信息檢索、用戶畫像、人口統(tǒng)計推理、線上廣告以及詐騙識別。
Runner up論文：
User Behavior Modeling with Large-Scale Graph Analysis（作者：Alex Beutel）
Mining Large Multi-Aspect Data: Algorithms and Applications（作者：Evangelos Papalexakis）
Honorable Mention論文：
Computational Lens on Big Social and Information Network （作者：Yuxiao Dong）
以上便是開幕式的全部內容，更多大會演講詳細內容敬請關注雷鋒網 AI 科技評論后續(xù)報道。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
專題
