KDD 會(huì)議始于 1989 年，是數(shù)據(jù)挖掘領(lǐng)域歷史最悠久、規(guī)模最大的國際頂級學(xué)術(shù)會(huì)議，也是首個(gè)引入大數(shù)據(jù)、數(shù)據(jù)科學(xué)、預(yù)測分析、眾包等概念的會(huì)議。

目前，KDD 2021 大會(huì)正在線上如火如荼地舉行當(dāng)中，議程包括主題演講、專題小組、特邀報(bào)告、精選研究、workshop 等。大會(huì)共計(jì)收到 1541 篇有效投稿，其中 238 篇論文被接收，接收率為 15.4%，相比去年的接收率 16.9% 有所下降。

KDD 2021 線上開幕之前，多個(gè)獎(jiǎng)項(xiàng)已經(jīng)公布，包括創(chuàng)新獎(jiǎng)、服務(wù)獎(jiǎng)、學(xué)位論文獎(jiǎng)（亞軍及榮譽(yù)提名）、新星獎(jiǎng)、時(shí)間檢驗(yàn)研究獎(jiǎng)和時(shí)間檢驗(yàn)應(yīng)用科學(xué)獎(jiǎng)，其中北航校友 Xia “Ben” Hu （胡俠）獲得了新星獎(jiǎng)，字節(jié)跳動(dòng) AML 研究團(tuán)隊(duì) Chong Wang 的一篇 KDD 2011 論文獲得了時(shí)間檢驗(yàn)研究獎(jiǎng)。

剛剛，KDD 2021 公布了研究方向（research track）和應(yīng)用數(shù)據(jù)科學(xué)方向（Applied Data Science Track）的最佳論文和最佳學(xué)生論文，具體如下：

• 首爾大學(xué)研究者獲得研究方向最佳論文獎(jiǎng)
• 斯坦福大學(xué)等機(jī)構(gòu)的研究者獲得應(yīng)用數(shù)據(jù)科學(xué)方向最佳論文
• 北京理工大學(xué)和美的集團(tuán)的研究者獲得應(yīng)用數(shù)據(jù)科學(xué)方向最佳論文亞軍
• 維也納大學(xué)的研究者獲得研究方向最佳學(xué)生論文

研究方向最佳論文

今年的「研究方向最佳論文獎(jiǎng)」由來自首爾大學(xué)的 Jun-gi Jang、U Kang 摘得，獲獎(jiǎng)?wù)撐氖恰禙ast and Memory-Efficient Tucker Decomposition for Answering Diverse Time Range Queries》。

最佳論文等獎(jiǎng)項(xiàng)出爐，首爾大學(xué)、斯坦福獲獎(jiǎng)，北理工上榜">

論文地址：https://dl.acm.org/doi/pdf/10.1145/3447548.3467290

論文摘要：給定一個(gè)時(shí)間密集張量和一個(gè)任意的時(shí)間范圍，我們?nèi)绾斡行У卦谶@個(gè)范圍內(nèi)得到潛在因子？Tucker 分解是分析密集張量以發(fā)現(xiàn)隱藏因子的基本工具，已在許多數(shù)據(jù)挖掘應(yīng)用中得到應(yīng)用。然而，現(xiàn)有的分解方法不提供分析特定范圍的時(shí)間張量的功能?，F(xiàn)有的方法是 one-off 形式，主要集中在對整個(gè)輸入張量執(zhí)行一次 Tucker 分解。盡管現(xiàn)有的一些預(yù)處理方法可以處理時(shí)間范圍查詢，但它們?nèi)匀环浅：臅r(shí)，并且準(zhǔn)確率較低。

在該論文中，該研究提出了 Zoom-Tucker，這是一種快速且節(jié)省內(nèi)存的 Tucker 分解方法，可用于在任意時(shí)間范圍內(nèi)查找時(shí)間張量數(shù)據(jù)的隱藏因子。Zoom-Tucker 充分利用塊結(jié)構(gòu)來壓縮給定的張量，支持有效查詢并捕獲本地信息。Zoom-Tucker 通過精心解耦包含在該范圍內(nèi)的預(yù)處理結(jié)果并仔細(xì)確定計(jì)算順序，快速且高效地回答各種時(shí)間范圍查詢。研究證明，與現(xiàn)有的方法相比 Zoom-Tucker 的速度快 171.9 倍，所需空間少 230 倍，同時(shí)提供了相當(dāng)?shù)臏?zhǔn)確率。

研究方向最佳學(xué)生論文

來自維也納大學(xué)計(jì)算機(jī)學(xué)院的 Ylli Sadikaj 等人獲得了研究方向最佳學(xué)生論文，獲獎(jiǎng)?wù)撐氖恰禨pectral Clustering of Attributed Multi-relational Graphs》。

最佳論文等獎(jiǎng)項(xiàng)出爐，首爾大學(xué)、斯坦福獲獎(jiǎng)，北理工上榜">

論文地址：https://dl.acm.org/doi/pdf/10.1145/3447548.3467381

論文摘要：圖聚類旨在發(fā)現(xiàn)節(jié)點(diǎn)的自然分組，以便將相似的節(jié)點(diǎn)分配到一個(gè)公共集群。已有一些研究提出了面向多種圖的多種算法，包括簡單圖、節(jié)點(diǎn)含有相關(guān)屬性的圖，以及對于邊代表不同類型關(guān)系的圖等。然而，許多領(lǐng)域中的復(fù)雜數(shù)據(jù)可以同時(shí)表征為屬性網(wǎng)絡(luò)和多關(guān)系網(wǎng)絡(luò)。在該論文中，研究者提出了 SpectralMix，這是一種用于具有分類節(jié)點(diǎn)屬性的多關(guān)系圖的聯(lián)合降維技術(shù)。SpectralMix 集成了來自屬性、關(guān)系類型和圖結(jié)構(gòu)的所有可用信息，以實(shí)現(xiàn)對聚類結(jié)果的合理解釋。此外，SpectralMix 泛化了現(xiàn)有方法：當(dāng)僅應(yīng)用于單個(gè)圖時(shí)，它簡化為頻譜嵌入和聚類，當(dāng)應(yīng)用于分類數(shù)據(jù)時(shí)轉(zhuǎn)換為同質(zhì)性分析。該研究在幾個(gè)現(xiàn)實(shí)世界的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，以檢測圖結(jié)構(gòu)和分類屬性之間的依賴關(guān)系，并展示了 SpectralMix 相比于現(xiàn)有方法的優(yōu)勢。

最佳論文等獎(jiǎng)項(xiàng)出爐，首爾大學(xué)、斯坦福獲獎(jiǎng)，北理工上榜">

上圖是幾種模型在 ACM 數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果的可視化。從中我們可以觀察到 ANRL、CrossMNA、DMGC 和 MARINE 表現(xiàn)不佳，因?yàn)閷儆诓煌芯款I(lǐng)域的節(jié)點(diǎn)被混到了一起；而 SpectralMix、DMGI、HAN 和 DGI 能夠更好地區(qū)分不同類型的節(jié)點(diǎn)。很明顯，SpectralMix 能夠?qū)⒉煌芯款I(lǐng)域的節(jié)點(diǎn)以更清晰的邊界和更多的節(jié)點(diǎn)數(shù)目進(jìn)行正確的聚類。此外，在圖 4(h) 中嵌入的 SpectralMix 節(jié)點(diǎn)上值得注意的是，右側(cè)有一組不同的節(jié)點(diǎn)，代表噪聲數(shù)據(jù)或異常值，這表明 SpectralMix 對異常值具有穩(wěn)健性。

應(yīng)用數(shù)據(jù)科學(xué)方向最佳論文獎(jiǎng)

今年的「應(yīng)用數(shù)據(jù)科學(xué)方向最佳論文獎(jiǎng)」由來自斯坦福大學(xué)等機(jī)構(gòu)的 Serina Chang 等人摘得，獲獎(jiǎng)?wù)撐氖恰禨upporting COVID-19 policy response with large-scale mobility-based modeling》。

最佳論文等獎(jiǎng)項(xiàng)出爐，首爾大學(xué)、斯坦福獲獎(jiǎng)，北理工上榜">

論文地址：https://dl.acm.org/doi/pdf/10.1145/3447548.3467182

論文摘要：移動(dòng)性限制（Mobility restriction）一直是控制 COVID-19 傳播的主要干預(yù)措施，但它們也給個(gè)人和企業(yè)帶來經(jīng)濟(jì)負(fù)擔(dān)。為了平衡這些相互競爭的需求，決策者需要分析工具來評估不同的移動(dòng)性措施帶來的成本和收益。

在該論文中，研究者介紹了與弗吉尼亞衛(wèi)生部在決策支持工具上的互動(dòng)所激發(fā)的工作，該工具利用大規(guī)模數(shù)據(jù)和流行病學(xué)模型來量化移動(dòng)性變化對感染率的影響。該研究模型通過使用細(xì)粒度的動(dòng)態(tài)移動(dòng)網(wǎng)絡(luò)來捕獲 COVID-19 的傳播，該網(wǎng)絡(luò)對人們每小時(shí)從社區(qū)到各個(gè)地方的移動(dòng)進(jìn)行編碼，每小時(shí)有超過 30 億條邊。通過擾亂移動(dòng)網(wǎng)絡(luò)，該研究可以模擬各種各樣的重新開放計(jì)劃，并預(yù)測它們在新感染和每個(gè)部門的訪問量損失方面的影響。為了在實(shí)踐中部署這個(gè)模型，該研究構(gòu)建了一個(gè)具有魯棒性的計(jì)算基礎(chǔ)設(shè)施來運(yùn)行數(shù)百萬個(gè)模型，并且該研究與政策制定者合作開發(fā)了一個(gè)交互式儀表板（dashboard），用于傳達(dá)模型對數(shù)千個(gè)潛在政策的預(yù)測。

最佳論文等獎(jiǎng)項(xiàng)出爐，首爾大學(xué)、斯坦福獲獎(jiǎng)，北理工上榜">

由 5 部分組成的交互式儀表板，分別是 POI 導(dǎo)航欄（左）、地圖面板（右上）、表格面板（中下）、數(shù)據(jù)面板（右下）和移動(dòng)性歷史面板（彈出窗口）。

應(yīng)用數(shù)據(jù)科學(xué)方向最佳論文亞軍

北京理工大學(xué)和美的集團(tuán)的 Hao Wang、Chi Harold Liu 和 Jian Tang 等人獲得了應(yīng)用數(shù)據(jù)科學(xué)方向最佳論文亞軍，獲獎(jiǎng)?wù)撐氖恰?Energy-Efficient 3D Vehicular Crowdsourcing For Disaster Response by Distributed Deep Reinforcement Learning 》。

最佳論文等獎(jiǎng)項(xiàng)出爐，首爾大學(xué)、斯坦福獲獎(jiǎng)，北理工上榜">

論文地址：https://dl.acm.org/doi/pdf/10.1145/3447548.3467070

論文摘要快速有效地訪問環(huán)境和生活數(shù)據(jù)是成功應(yīng)對災(zāi)害的關(guān)鍵。由無人機(jī)和無人駕駛汽車等無人駕駛交通工具 (UV) 組成的車輛眾包 (VC) 從興趣點(diǎn) (PoI) 收集數(shù)據(jù)，例如可能有幸存者的地點(diǎn)和火災(zāi)現(xiàn)場，這提供了一種有效的方式來協(xié)助災(zāi)難救援。在該論文中，研究者考慮了在 3D 災(zāi)難工作區(qū)中導(dǎo)航一組 UV，以最大限度地提高收集的數(shù)據(jù)量、地理公平性、能源效率，同時(shí)最大限度地減少由于傳輸速率有限而導(dǎo)致的數(shù)據(jù)丟失。

該研究提出了一種分布式深度強(qiáng)化學(xué)習(xí)框架 DRL-DisasterVC(3D)，該框架帶有重復(fù)經(jīng)驗(yàn)回放 (RER) 以提高學(xué)習(xí)效率，并使用裁剪目標(biāo)網(wǎng)絡(luò)來提高學(xué)習(xí)穩(wěn)定性。該研究使用具有多頭關(guān)系注意力 (MHRA) 的 3D 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行空間建模，并且添加輔助像素控制 (PC) 進(jìn)行空間探索。研究者設(shè)計(jì)了一種名為「DisasterSim」的新型災(zāi)難響應(yīng)模擬器，并進(jìn)行了大量實(shí)驗(yàn)，以表明當(dāng)改變 UV、PoI 和 SNR 閾值的數(shù)量時(shí)，DRL-DisasterVC(3D) 在能效方面優(yōu)于實(shí)驗(yàn)中所有 5 個(gè)基線方法。