KDD简介

第 25 届 ACM SIGKDD 知识发现和数据挖掘会议（KDD）已于今年 8 月 4 日在美国阿拉斯加州安克雷奇开幕。今年的大会奖项分为研究方向和应用数据科学方向。在今天公布的最佳论文中，康奈尔大学的《Network Density of States》获得了研究类最佳论文奖；而应用数据科学方向的最佳论文为《Actions Speak Louder than Goals: Valuing Player Actions in Soccer》，这是一篇有关足球技术分析方面的研究，来自比利时天主教鲁汶大学以及体育分析公司 SciSports。

为了提升论文接收的质量，KDD 2019 首次采用了双盲审查制度，本次大会也对研究的可复现性提出了新的要求，强调其为「论文审核过程中的一个重要因素」，只有包含两页可复现性内容附录的文章才有可能被评为 KDD 最佳论文。

KDD 对论文接收非常严格，每年的接收率均未超过 20%。本届大会在应用数据科学方向共收到大约 700 篇论文，其中 45 篇 oral 论文，约 100 篇被接收为 poster 论文；研究方向共收到约 1200 篇投稿，其中约 110 篇 oral 论文，60 篇 poster 论文，接收率仅为 14%。

研究方向最佳论文

• 论文：Network Density of States

• 作者：Kun Dong、Austin R. Benson、David Bindel（康奈尔大学）

• 链接：https://arxiv.org/pdf/1905.09758.pdf

谱分析将图结构与相关矩阵的特征值和特征向量联系在一起。许多谱图理论直接源于谱几何，即通过相关微分算子的谱研究可微流形。但从谱几何到谱图理论的转换主要集中在只涉及少数极端特征值及其相关特征值的结果上。与谱几何不同的是，通过特征值的总体分布（谱密度）来研究图很大程度上局限于简单的随机图模型。真实世界图谱的内部很大程度上还未被探索，所以难以计算和解释。

在本文中，研究者深入探索了真实世界图谱谱密度的核心。他们借用了凝聚态物理学中开发的工具，并添加了新的适应性来处理常见图形的谱特征。他们计算了单个计算节点上超过 10 亿个边的图的谱密度，证明所得到的方法非常高效。除了提供视觉上引人注目的图形指纹之外，研究者还展示了谱密度的估计如何简化许多常见的中心度量的计算，并使用谱密度估计关于图结构的有意义信息，这些信息不能仅从极值特征对推断出来。

谱理论是一种图理论、几何学和物理学中非常有效的分析工具。每个设定都遵循同样的步骤：

• 明确一个兴趣对象，比如一个图或者一个点集（manifolds）；

• 将对象和一个矩阵或运算器（operator）联系起来，通常是一个线性动态系统的生成器或对象上的函数平方的 Hessian 矩阵；

将矩阵或运算符的谱属性连接到原始对象的结构属性。

在每种情况下，完整的谱分解足以恢复原始对象；有趣的结果将结构与部分光谱信息联系起来。遗憾的是，由于缺乏可扩展算法，网络谱密度的分析受到限制。在本文中，作者展示了用于研究凝聚态物理中状态密度的方法如何用于研究网络中的谱密度。

本内容为学习记录笔记，参考网上资源，如机器之心等

文章来源: kings.blog.csdn.net，作者：人工智能博士，版权归原作者所有，如需转载，请联系作者。

原文链接：kings.blog.csdn.net/article/details/98759785