來源：量子位（ID:QbitAI）

　　又一全球AI頂會(huì)，盡是中國(guó)力量舉杯相慶。

　　KDD，數(shù)據(jù)挖掘領(lǐng)域國(guó)際最高級(jí)別會(huì)議，今年在美國(guó)阿拉斯加州舉行，最佳論文及三大競(jìng)賽等主要獎(jiǎng)項(xiàng)，剛剛已全部揭曉。

　　今年，中國(guó)面孔星光璀璨。康奈爾大學(xué)華人博士Dong Kun以一作身份斬獲研究賽道最佳論文，初創(chuàng)公司獎(jiǎng)項(xiàng)、KDD CUP三大賽事，也基本被中國(guó)公司包攬。

　　詳情傳送如下：

　　雙盲評(píng)審第一年，15%接收率

　　KDD，國(guó)際數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)大會(huì)，全稱：ACM SIGKDD Conference on Knowledge Discovery and Data Mining，是數(shù)據(jù)挖掘領(lǐng)域國(guó)際最高級(jí)別會(huì)議。

　　自1995年以來，KDD大會(huì)連續(xù)舉辦了二十余屆，每年的接收率不超過20%，今年的接收率不到15%。

　　值得一提的是，今年也是KDD采用雙盲評(píng)審的第一年。

　　依然分為研究賽道和應(yīng)用賽道。

　　其中，據(jù)已公開消息，KDD研究賽道共收到1179篇投稿，其中111篇被接收為Oral論文，63篇被接收為Poster論文，入選率14.8%。

　　應(yīng)用賽道收到700余篇論文，其中大45篇被接收為Oral論文，100篇被接收為Poster論文，接收率20.7%。

　　相較而言，KDD 2018年研究賽道接收181篇，接收率為18.4%，應(yīng)用賽道接受112篇，接收率22.5%。

　　強(qiáng)調(diào)論文可復(fù)現(xiàn)

　　而且最重要的是，KDD今年還在投稿通知中特別強(qiáng)調(diào)——可復(fù)現(xiàn)性——且規(guī)定該項(xiàng)會(huì)作為最佳論文評(píng)選資格，論文需要額外提交內(nèi)容展示可復(fù)現(xiàn)內(nèi)容。

　　包括實(shí)驗(yàn)方法、經(jīng)驗(yàn)評(píng)估和結(jié)果，也鼓勵(lì)在論文中公開研究代碼和數(shù)據(jù)，盡可能完整地描述論文中使用的算法和資源。

　　于是，KDD 2019也成為了備受關(guān)注的一屆。

　　來看具體獎(jiǎng)項(xiàng)都被哪些團(tuán)隊(duì)捧走了：

　　研究賽道最佳論文

　　Network Density of States（態(tài)網(wǎng)絡(luò)密度）

　　https:///pdf/1905.09758.pdf

　　論文來自康奈爾大學(xué)。第一作者是Dong Kun，康奈爾大學(xué)應(yīng)用數(shù)學(xué)專業(yè)博士生，碩士畢業(yè)于UCLA。

　　其他作者還有康奈爾大學(xué)計(jì)算機(jī)系助理教授Austin Reilley Benson和康奈爾計(jì)算機(jī)系副教授David Bindel，他也是Dong Kun的博士生導(dǎo)師。

　　譜分析將圖結(jié)構(gòu)與相關(guān)矩陣的特征值和特征向量聯(lián)系起來。許多譜圖理論直接來自譜幾何，通過相關(guān)微分算子的譜來研究可微分流形。但是從譜幾何到譜圖的轉(zhuǎn)換主要集中在僅涉及少數(shù)極端特征值及其相關(guān)特征值的結(jié)果上。

　　與幾何學(xué)不同，通過特征值的整體分布（譜密度）對(duì)圖的研究主要局限于簡(jiǎn)單的隨機(jī)圖模型。現(xiàn)實(shí)世界圖譜的內(nèi)部仍然在很大程度上難以計(jì)算和解釋，尚未被探索研究。

　　在本文中，作者深入研究了真實(shí)世界圖譜的譜密度。我們借用了凝聚態(tài)物理中的研究工具能態(tài)密度，并添加了新的適應(yīng)性來處理常見圖形圖案的譜特征。所得到的方法是高效的，論文中已經(jīng)通過計(jì)算單個(gè)計(jì)算節(jié)點(diǎn)上具有超過十億個(gè)邊緣的圖的譜密度說明了這一點(diǎn)。

　　除了提供視覺上引人注目的圖形指紋之外，本文還展示了譜密度的估計(jì)如何推動(dòng)許多常見中心度量的計(jì)算，并使用譜密度來估計(jì)有關(guān)圖結(jié)構(gòu)的有意義信息，這些信息無法只從極值本征對(duì)中推斷得出。

　　研究賽道第二名論文

　　Optimizing Impression Counts for Outdoor Advertising

　　https://dl./citation.cfm?doid=3292500.3330829

　　這項(xiàng)研究解決的，是關(guān)于戶外廣告如何投放才最劃算的問題，作者來自墨爾本皇家理工大學(xué)、新加坡管理大學(xué)、武漢大學(xué)和華為。

　　具體的問題是該團(tuán)隊(duì)首次提出的，稱之為戶外廣告印象數(shù)（Impression Counts for Outdoor Advertising，ICOA）。

　　馬路邊的廣告那么多，但能讓你有印象的很少，大部分都忘得無影無蹤，因此，只要廣告在你腦海中留下印象，許多廣告主的目的就達(dá)到了，這項(xiàng)研究也就是關(guān)于如何讓更多人留下更深刻印象的。

　　由于移動(dòng)互聯(lián)網(wǎng)的發(fā)達(dá)，不管你用什么交通方式，開車也好，騎摩托車、自行車也好，你每次出門的軌跡都可以被記錄下來，因此研究者們找到了出行軌跡數(shù)據(jù)庫T。在此之外，還有給定的廣告牌數(shù)據(jù)庫U和廣告主的投放預(yù)算B。

　　因此，概括地說，戶外廣告印象數(shù)是這樣一個(gè)問題：

　　廣告牌和預(yù)算就那么多，路人們就那么走，在這些給定的情況下，如何提升給路人們留下的總印象，讓錢花的最值呢？

　　這里要解決兩個(gè)問題：

　　1.每塊廣告應(yīng)該讓一個(gè)路人看到幾次；

　　2.如何布局廣告牌的擺放，讓更多路人在出行軌跡上剛好看到最佳次數(shù)。

　　第一個(gè)問題此前有研究解決了，是一個(gè)S形函數(shù)，隨著廣告重復(fù)次數(shù)增加，給路人留下的印象越來越深刻，之后簡(jiǎn)單重復(fù)就沒用了，再多就只有副作用了。

　　而第二個(gè)問題，廣告牌分布的問題需要用算法解決。研究團(tuán)隊(duì)發(fā)現(xiàn)直接用貪心算法是不行的，于是提出了基于切線的算法計(jì)算子模塊函數(shù)，為了提高效率，設(shè)計(jì)了θ終止方法和漸進(jìn)式上限估計(jì)方法進(jìn)行優(yōu)化。

　　最后，研究團(tuán)隊(duì)在用紐約和洛杉磯兩個(gè)城市的真實(shí)軌跡和廣告牌數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)后，驗(yàn)證這項(xiàng)研究中提出的方法是有效的。

　　應(yīng)用賽道最佳論文

　　獲得應(yīng)用賽道最佳論文的是Actions Speak Louder then Goals：Valuing Player Actions in Soccer（行動(dòng)勝于目標(biāo)：重視足球中球員的行動(dòng)）：

　　https:///pdf/1802.07127.pdf

　　論文的作者包括，來自比利時(shí)魯汶大學(xué)的Tom Decroos，來自SciSports公司的Lotte Bransean和Jesse Davis，以及比利時(shí)魯汶大學(xué)的Jesse Davis。

　　評(píng)估足球運(yùn)動(dòng)員在比賽中的個(gè)人行為表現(xiàn)對(duì)比賽結(jié)果的影響，是球員招募過程中的考察重點(diǎn)。然而，大多數(shù)傳統(tǒng)指標(biāo)在解決此任務(wù)時(shí)都不盡如人意，因?yàn)樗鼈円磳Ｗ⒂趩为?dú)的鏡頭畫面和目標(biāo)行為，要么不考慮球員做出某一動(dòng)作的環(huán)境背景。

　　這篇論文主要介紹了：（1）一種用于描述球場(chǎng)上各個(gè)球員動(dòng)作的新語言，SPADL；（2）一種根據(jù)球員表現(xiàn)對(duì)比賽結(jié)果的影響來評(píng)估球員動(dòng)作的新框架，VAEP，同時(shí)考慮到動(dòng)作發(fā)生時(shí)的背景。

　　通過匯總球員的動(dòng)作價(jià)值，就可以量化他們對(duì)球隊(duì)整體進(jìn)攻和防守的貢獻(xiàn)。

　　這項(xiàng)研究的亮點(diǎn)在在于考慮了通常都會(huì)被忽略的動(dòng)作背景信息，研究團(tuán)隊(duì)在2016/2017和2017/2018賽季的歐洲頂級(jí)賽事中用該方法收集了大量的用例。

△梅西果然自成一類

　　應(yīng)用賽道第二名論文

　　這是一項(xiàng)用可穿戴設(shè)備來檢測(cè)認(rèn)知功能障礙 (可能是癡呆前兆) 的研究，由蘋果牽頭。

　　Developing Measures of Cognitive Impairment in the Real World from Consumer-Grade Multimodal Sensor Streams

　　https://dl./citation.cfm?doid=3292500.3330690

　　可穿戴設(shè)備和移動(dòng)計(jì)算設(shè)備，如今無處不在，并且在技術(shù)上取得了卓越的進(jìn)步；再加上傳感器歐式的多樣化，這些進(jìn)步都給持續(xù)監(jiān)測(cè)患者、監(jiān)測(cè)他們的日?；顒?dòng)，提供了可能。

　　有這樣豐富的縱向信息 (Longitudinal Informationn) 可挖掘，就能為認(rèn)知功能障礙來分析心理學(xué)和行為學(xué)上的特征，并為及時(shí)且經(jīng)濟(jì)地檢測(cè)輕度認(rèn)知功能障礙 (MCI) 提供新的途徑。

　　MCI，就是介于正常認(rèn)知與癡呆之間的狀態(tài)。

　　這項(xiàng)研究提出了一個(gè)平臺(tái)，用來遠(yuǎn)程、不侵犯地監(jiān)測(cè)認(rèn)知功能障礙的相關(guān)癥狀，只依靠幾個(gè)消費(fèi)機(jī)的智能設(shè)備。

　　團(tuán)隊(duì)展示了，這個(gè)平臺(tái)是怎樣在“Lilly探索性數(shù)字評(píng)估研究”里面，收集了16TB的數(shù)據(jù)，支持了為期12周的可行性研究：監(jiān)測(cè)了31位有認(rèn)知功能障礙的患者，和82位沒有認(rèn)知功能障礙的、生活狀態(tài)自由的人類。

　　研究人員還說明了，嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)統(tǒng)一 (Data Unification) 、時(shí)間對(duì)齊 (Time-Alignment) 以及插補(bǔ)技術(shù) (Imputation) ，是怎樣處理現(xiàn)實(shí)中固有的數(shù)據(jù)缺失，并最終展現(xiàn)了這樣的數(shù)據(jù)在分辨癥狀中發(fā)揮的作用。

　　時(shí)間檢驗(yàn)獎(jiǎng)

　　今年的時(shí)間檢驗(yàn)獎(jiǎng)（test of time award）來自CMU和Nielsen BuzzMetrics，論文為：

　　Cost-effective outbreak detection in networks

　　https://www.cs./~jure/pubs/detect-kdd07.pdf

　　之所以被評(píng)為這個(gè)獎(jiǎng)，還是因?yàn)榫嚯x這篇論文在2007年首次發(fā)出已經(jīng)過去了12年，當(dāng)時(shí)，CMU的Jure Leskovec、Andreas Krause、Carlos Guestrin、Christos Faloutsos、Jeanne VanBriesen和Nielsen BuzzMetrics的Natalie Glance6人因?yàn)檫@篇文章獲得了最佳學(xué)生論文。

　　在這篇論文中，研究人員證明了，很多現(xiàn)實(shí)生活中爆發(fā)檢測(cè)（比如檢測(cè)可能性、檢測(cè)受影響人群等）表現(xiàn)出“子模塊”的特性。

　　研究人員利用子模塊開發(fā)出一種有效的算法，名為CELF算法，來優(yōu)化貪心算法(Greedy Algorithm)的效率。其算法如下：

　　結(jié)果表明，CELF算法可以擴(kuò)展應(yīng)用到比較復(fù)雜的問題，還能接近最佳位置，同時(shí)，比簡(jiǎn)單的貪心算法快700倍。

　　隨后，他們?cè)趲讉€(gè)大型的真實(shí)問題上繼續(xù)對(duì)CELF算法進(jìn)行檢驗(yàn)，利用美國(guó)國(guó)家環(huán)境保護(hù)局的水分配網(wǎng)絡(luò)模型和實(shí)時(shí)博客數(shù)據(jù)，得到的傳感器位置可證明接近最優(yōu)解，提供了最優(yōu)解的常數(shù)分?jǐn)?shù)。他們還證明了這種方法可以擴(kuò)展，將存儲(chǔ)空間節(jié)省幾個(gè)數(shù)量級(jí)。

　　創(chuàng)業(yè)研究獎(jiǎng)

　　ACM SIGKDD于2017年推出了創(chuàng)業(yè)研究獎(jiǎng)，旨在鼓勵(lì)早期創(chuàng)業(yè)公司參與數(shù)據(jù)科學(xué)領(lǐng)域。該獎(jiǎng)項(xiàng)由創(chuàng)業(yè)研究獎(jiǎng)委員會(huì)從多家競(jìng)爭(zhēng)的結(jié)果中確定。

　　今天獲獎(jiǎng)的四家公司分別是：Arkive、deepair、瑞萊智慧和天眼查。

　　Arkive是一家利用機(jī)器學(xué)習(xí)技術(shù)管理知識(shí)和經(jīng)驗(yàn)的公司，這家公司的創(chuàng)始人是兩名華人。

　　deepair為旅行供應(yīng)商提供基于AI的零售平臺(tái)。

　　瑞萊智慧是一家向企業(yè)提供工業(yè)預(yù)測(cè)性維護(hù)、工業(yè)檢測(cè)、無監(jiān)督反欺詐、人工智能系統(tǒng)攻防等服務(wù)的公司。

　　天眼查在國(guó)內(nèi)的知名度已經(jīng)相當(dāng)高，是一家向客戶提供企業(yè)大數(shù)據(jù)的公司。

　　人物獎(jiǎng)

　　在KDD的開幕式上，IBM Watson的研究人員Charu Aggarwal因數(shù)據(jù)挖掘的終身成就獲得了SIGKDD的創(chuàng)新獎(jiǎng)（Innovation Award）。他還在本次會(huì)議上發(fā)表了三篇論文。

△Charu Aggarwal，圖片來自IBM官網(wǎng)

　　Charu Aggarwal于1993年在印度理工學(xué)?？财諣柗中＋@得學(xué)士學(xué)位，之后又獲得了博士學(xué)位1996年到麻省理工學(xué)院工作。

　　他在數(shù)據(jù)挖掘領(lǐng)域開展了廣泛的工作，特別關(guān)注數(shù)據(jù)流、隱私、不確定數(shù)據(jù)和社交網(wǎng)絡(luò)分析。他已經(jīng)出版了19本書籍，發(fā)表350多篇論文，并已申請(qǐng)或獲得80多項(xiàng)專利。他獲得了多項(xiàng)發(fā)明成就獎(jiǎng)，并且三次被評(píng)為IBM的發(fā)明大師。

　　同樣是來自IBM Watson的Balaji Krishnapuram獲得了KDD的服務(wù)獎(jiǎng)（Service Award），以獎(jiǎng)勵(lì)他對(duì)數(shù)據(jù)挖掘做出的杰出貢獻(xiàn)。

　　它曾在2014年至2016年擔(dān)任ACM SIGKDD主席，2015年加入IBM Watson Health，為制藥行業(yè)開發(fā)AI解決方案。

△Balaji Krishnapuram，圖片來自Twitter網(wǎng)友Prithwish Chakraborty

　　今年的學(xué)位論文獎(jiǎng)（Dissertation Award）頒發(fā)給了來自華盛頓大學(xué)的Tim Althoff，該獎(jiǎng)項(xiàng)第二名是來自UIUC的華人學(xué)者Chao Zhang。

　　KDD CUP 2019

　　今年的KDD CUP有3個(gè)賽道：

　　常規(guī)機(jī)器學(xué)習(xí)競(jìng)賽（Regular ML Track）

　　自動(dòng)機(jī)器學(xué)習(xí)競(jìng)賽（Auto-ML Track）

　　“Research for Humanity” 強(qiáng)化學(xué)習(xí)競(jìng)賽（Humanity RL Track）

　　這一賽事，素來有“大數(shù)據(jù)世界杯”之稱，競(jìng)爭(zhēng)非常激烈。

　　KDD官方統(tǒng)計(jì)，今年有來自39個(gè)國(guó)家的超過5000個(gè)人提交了17000份申請(qǐng)。

　　從最終的成績(jī)中來看，中國(guó)軍團(tuán)尤為亮眼，包攬了大多數(shù)獎(jiǎng)項(xiàng)。

　　首先說常規(guī)機(jī)器學(xué)習(xí)競(jìng)賽，由百度贊助，一共分為兩個(gè)任務(wù)。

　　任務(wù)1的冠軍和亞軍都來自中國(guó)。其中，冠軍來自螞蟻金服；亞軍來自上海微盟、趨勢(shì)科技、滴滴出行、北京郵電大學(xué)、華南理工大學(xué)、京東等單位。

　　任務(wù)2的冠軍來自日本電信公司NTT DOCOMO，亞軍來自東南大學(xué)。

　　此外，額外設(shè)立的PaddlePaddle特別獎(jiǎng)則花落中國(guó)科學(xué)技術(shù)大學(xué)。

　　其次是自動(dòng)機(jī)器學(xué)習(xí)競(jìng)賽，由第四范式贊助。

　　冠軍來自中國(guó)的深蘭科技和北京大學(xué)；亞軍來自新加坡國(guó)立大學(xué)；第三名來自于阿里巴巴和佐治亞理工學(xué)院。

　　最后說“Research for Humanity” 強(qiáng)化學(xué)習(xí)競(jìng)賽，由IBM和Hexagon ML贊助。

　　冠軍來自中國(guó)臺(tái)灣，國(guó)立成功大學(xué)；亞軍來自清華大學(xué)、京東和北京航空航天大學(xué)，第三名來自瓜子。

　　競(jìng)賽詳情地址：

　　https://www./kdd2019/kdd-cup

　　One more thing

　　不止論文、競(jìng)賽都被中國(guó)軍團(tuán)雄霸。

　　KDD 2019贊助商方面，中國(guó)力量也格外顯眼。

　　百度、騰訊、滴滴、阿里巴巴、快手、浪潮和松鼠AI都出現(xiàn)在贊助名錄上。

　　所以也有調(diào)侃稱，AI頂會(huì)是時(shí)候考慮在中國(guó)舉辦了，畢竟離最核心參與者都更近，還無簽證之憂。

　　你說呢？