KDD 2019放榜!錄取率僅14%,強調可重現性
點選上方“ 磐創AI ”,選擇“置頂公眾號”
精品文章,第一時間送達
轉載自:新智元,未經允許不得二次轉載
【導讀】KDD 2019錄取結果終於放榜了,今年Research和ADS兩個 track共評審論文1900篇,其中Research track的錄取率只有14%。今年也是KDD第一次採用雙盲評審政策,並強調提交論文可重現內容。因此,論文質量特別值得期待。
KDD 2019錄取論文終於放榜了!你的論文“中獎”了嗎?
ACM SIGKDD(國際資料探勘與知識發現大會,簡稱 KDD)是世界資料探勘領域的最高級別的學術會議,由 ACM 的資料探勘及知識發現專委會(SIGKDD)主辦,被中國計算機協會推薦為 A 類會議。
自 1995 年以來,KDD 已經連續舉辦了二十餘屆大會,今年是第25屆。今年的 KDD 大會將於 2019 年 8 月 4 日 ~8 日在美國阿拉斯加州安克雷奇市舉行。
原定於4 月 28 日 (UTC-11),也就是北京時間 4 月 29 日晚上 7 點發出的錄取結果通知,延遲了大半天之後終於陸續放榜。新智元也在twitter、朋友圈等看到論文作者們晒出錄取結果。
錄取率僅14%,強調論文結果可重現
作為資料探勘領域最頂級的學術會議,KDD 大會以論文接收嚴格聞名,每年的接收率不超過 20%,因此頗受行業關注。 今年也是KDD大會採用 雙盲評審 的第一年。
與往年一樣,KDD大會 分為 Research 和 Applied Data Science 兩個 track。
據瞭解,今年KDD Research track 共評審了約 1200 篇投稿,其中約 110 篇被接收為 oral 論文,60 篇被接收為 poster 論文, 接收率約 14% 。
ADS track 收到大約 700 篇論文,其中大約 45 篇被接收為 oral 論文,約 100 篇被接收為 poster 論文, 接收率約 20.7% 。
相比之下,2018年KDD大會共評審了 1440 篇論文,其中,Research Track 評審了 983 篇論文,接收 181 篇, 接收率為 18.4% ;Applied Data Science Track 評審了 497 篇論文,接收 112 篇, 接收率為 22.5% 。
下表總結了 KDD 2018 的論文接收數量和接受率。
KDD 大會涉及的議題大多跨學科且應用廣泛,預計將會吸引來自統計、機器學習、資料庫、全球資訊網、生物資訊學、多媒體、自然語言處理、人機互動、社會網路計算、高效能運算以及大資料探勘等眾多領域的專家和學者。
KDD官網的投稿要求
值得關注的是, 今年KDD投稿通知中將 “可重現性” 作為重點,鼓勵作者們在論文中公開研究程式碼和資料,彙報他們的方法在公開資料集上的實驗結果,並儘可能完整描述論文中使用的演算法和資源,以保證可重現性。
為了鼓勵呈現結果的可重現性,KDD 2019 規定只有在文章最後額外提交兩頁附錄體現“可重現性”內容(包括實驗方法、經驗評估和結果)的論文,才有資格參評“最佳論文”獎項。
在等待今年最佳論文出爐之前,讓我們先回顧一下去年KDD Research Track的兩篇最佳論文。
KDD 2018 Research Track 最佳論文回顧
Research Track 最佳論文
Adversarial attacks on classification models for Graphs
對圖分類模型的對抗性攻擊
論文地址: https://arxiv.org/abs/1805.07984
作者: Daniel Zügner (Technical University of Munich); Amir Akbarnejad (Technical University of Munich); Stephan Günnemann (Technical University of Munich)
摘要: 圖深度學習模型在節點分類任務中取得了很好的效能。儘管圖深度學習模型越來越多,但目前還沒有研究探索它們對對抗性攻擊的魯棒性。然而,在可能使用它們的領域中,例如網路,對抗是很常見的。
圖深度學習模型是否很容易被愚弄呢?在這項工作中,我們介紹了第一個針對屬性圖( attributed graphs)的對抗性攻擊的研究,特別關注利用圖卷積思想的模型。除了測試時的攻擊外,我們還研究了更具有挑戰性的中毒/誘發攻擊,這些攻擊集中在機器學習模型的訓練階段。我們針對節點的特徵和圖結構生成對抗性擾動,從而獲取例項之間的依賴關係。此外,我們通過保留重要的資料特徵來確保這些擾動不會被察覺。
為了解決底層離散域問題,我們提出一種利用增量計算的有效演算法 Nettack。我們的實驗研究表明,即使只進行少量的擾動,節點分類的準確率也會顯著下降。更重要的是,我們的攻擊是可遷移的:學習的攻擊可以推廣到其他最先進的節點分類模型和無監督方法,即使只給出很少的關於圖的知識,也同樣能成功。
圖:對圖結構和節點特徵的小小擾動導致目標的分類錯誤。
Research Track 最佳學生論文
XiaoIce Band: A Melody and Arrangement Generation Framework for Pop Music
小冰樂隊:流行音樂的旋律與編曲框架
論文地址: http://www.kdd.org/kdd2018/accepted-papers/view/xiaoice-banda-melody-and-arrangement-generation-framework-for-pop-music
作者: Hongyuan Zhu (USTC); Qi Liu (USTC); Nicholas Jing Yuan (Microsoft); Chuan Qin (USTC); Jiawei Li (Soochow University); Kun Zhang (USTC); Guang Zhou (Microsoft); Furu Wei (Microsoft); Yuanchun Xu (Microsoft); Enhong Chen (USTC)
摘要: 隨著音樂創作知識的發展和近年來需求的增加,越來越多的公司和研究機構開始研究音樂的自動生成。但以往的模型在應用於歌曲生成時存在侷限性,這既需要旋律,又需要編曲。此外,許多與歌曲質量有關的關鍵因素沒有得到很好的解決,例如和絃進行和節奏模式。特別是。如何確保多音軌音樂的和諧,這仍然是一個有待探索的問題。
為此,我們對流行音樂的自動生成進行了重點研究,其中,我們考慮了旋律生成的和絃和節奏的影響,以及音樂編排的和聲。我們提出了一種端到端的旋律和編曲生成框架,稱為“小冰樂隊”(XiaoIce Band),該框架產生了由幾種樂器演奏的幾個伴奏曲目組成的旋律音軌。
具體來說,我們設計了一種基於和絃的節奏和旋律交叉生成模型(CRMCG),以生成帶有和絃進行的旋律。然後,我們提出一種基於多工學習的多樂器協同編曲模型( Multi-Instrument Co-Arrangement Model ,MICA)。最後,我們在一個真實資料集上進行了廣泛的實驗,結果證明了XiaoIce Band的有效性。
那麼,你的論文”中獎“了嗎?歡迎留言。
長按掃描下方小程式碼,互動提問
你也許還想 看 :
● Nature重磅:華裔科學家成功解碼腦電波,AI直接從大腦中合成語音
● GitHub標星2.6萬!Python演算法新手入門大全
歡迎掃碼關注:
覺得贊你就點 在看 ,多謝大佬