内容简介：精品文章，第一时间送达转载自：新智元，未经允许不得二次转载
点击上方“ 磐创AI ”，选择“置顶公众号”
精品文章，第一时间送达
转载自：新智元，未经允许不得二次转载
【导读】KDD 2019录取结果终于放榜了，今年Research和ADS两个 track共评审论文1900篇，其中Research track的录取率只有14%。今年也是KDD第一次采用双盲评审政策，并强调提交论文可重现内容。因此，论文质量特别值得期待。
KDD 2019录取论文终于放榜了！你的论文“中奖”了吗？
ACM SIGKDD（国际数据挖掘与知识发现大会，简称 KDD）是世界数据挖掘领域的最高级别的学术会议，由 ACM 的数据挖掘及知识发现专委会（SIGKDD）主办，被中国计算机协会推荐为 A 类会议。
自 1995 年以来，KDD 已经连续举办了二十余届大会，今年是第25届。今年的 KDD 大会将于 2019 年 8 月 4 日 ~8 日在美国阿拉斯加州安克雷奇市举行。
原定于4 月 28 日 (UTC-11)，也就是北京时间 4 月 29 日晚上 7 点发出的录取结果通知，延迟了大半天之后终于陆续放榜。新智元也在twitter、朋友圈等看到论文作者们晒出录取结果。
录取率仅14%，强调论文结果可重现
作为数据挖掘领域最顶级的学术会议，KDD 大会以论文接收严格闻名，每年的接收率不超过 20%，因此颇受行业关注。 今年也是KDD大会采用 双盲评审 的第一年。
与往年一样，KDD大会 分为 Research 和 Applied Data Science 两个 track。
据了解，今年KDD Research track 共评审了约 1200 篇投稿，其中约 110 篇被接收为 oral 论文，60 篇被接收为 poster 论文， 接收率约 14% 。
ADS track 收到大约 700 篇论文，其中大约 45 篇被接收为 oral 论文，约 100 篇被接收为 poster 论文， 接收率约 20.7% 。
相比之下，2018年KDD大会共评审了 1440 篇论文，其中，Research Track 评审了 983 篇论文，接收 181 篇， 接收率为 18.4% ；Applied Data Science Track 评审了 497 篇论文，接收 112 篇， 接收率为 22.5% 。
下表总结了 KDD 2018 的论文接收数量和接受率。
KDD 大会涉及的议题大多跨学科且应用广泛，预计将会吸引来自统计、机器学习、数据库、万维网、生物信息学、多媒体、自然语言处理、人机交互、社会网络计算、高性能计算以及大数据挖掘等众多领域的专家和学者。
KDD官网的投稿要求
值得关注的是， 今年KDD投稿通知中将 “可重现性” 作为重点，鼓励作者们在论文中公开研究代码和数据，汇报他们的方法在公开数据集上的实验结果，并尽可能完整描述论文中使用的算法和资源，以保证可重现性。
为了鼓励呈现结果的可重现性，KDD 2019 规定只有在文章最后额外提交两页附录体现“可重现性”内容（包括实验方法、经验评估和结果）的论文，才有资格参评“最佳论文”奖项。
在等待今年最佳论文出炉之前，让我们先回顾一下去年KDD Research Track的两篇最佳论文。
KDD 2018 Research Track 最佳论文回顾
Research Track 最佳论文
Adversarial attacks on classification models for Graphs
对图分类模型的对抗性攻击
论文地址： 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： 图深度学习模型在节点分类任务中取得了很好的性能。尽管图深度学习模型越来越多，但目前还没有研究探索它们对对抗性攻击的鲁棒性。然而，在可能使用它们的领域中，例如网络，对抗是很常见的。
图深度学习模型是否很容易被愚弄呢？在这项工作中，我们介绍了第一个针对属性图（ attributed graphs）的对抗性攻击的研究，特别关注利用图卷积思想的模型。除了测试时的攻击外，我们还研究了更具有挑战性的中毒/诱发攻击，这些攻击集中在机器学习模型的训练阶段。我们针对节点的特征和图结构生成对抗性扰动，从而获取实例之间的依赖关系。此外，我们通过保留重要的数据特征来确保这些扰动不会被察觉。
为了解决底层离散域问题，我们提出一种利用增量计算的有效算法 Nettack。我们的实验研究表明，即使只进行少量的扰动，节点分类的准确率也会显著下降。更重要的是，我们的攻击是可迁移的：学习的攻击可以推广到其他最先进的节点分类模型和无监督方法，即使只给出很少的关于图的知识，也同样能成功。
图：对图结构和节点特征的小小扰动导致目标的分类错误。
Research Track 最佳学生论文
XiaoIce Band: A Melody and Arrangement Generation Framework for Pop Music
小冰乐队：流行音乐的旋律与编曲框架
论文地址： 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： 随着音乐创作知识的发展和近年来需求的增加，越来越多的公司和研究机构开始研究音乐的自动生成。但以往的模型在应用于歌曲生成时存在局限性，这既需要旋律，又需要编曲。此外，许多与歌曲质量有关的关键因素没有得到很好的解决，例如和弦进行和节奏模式。特别是。如何确保多音轨音乐的和谐，这仍然是一个有待探索的问题。
为此，我们对流行音乐的自动生成进行了重点研究，其中，我们考虑了旋律生成的和弦和节奏的影响，以及音乐编排的和声。我们提出了一种端到端的旋律和编曲生成框架，称为“小冰乐队”（XiaoIce Band），该框架产生了由几种乐器演奏的几个伴奏曲目组成的旋律音轨。
具体来说，我们设计了一种基于和弦的节奏和旋律交叉生成模型（CRMCG），以生成带有和弦进行的旋律。然后，我们提出一种基于多任务学习的多乐器协同编曲模型（ Multi-Instrument Co-Arrangement Model ，MICA）。最后，我们在一个真实数据集上进行了广泛的实验，结果证明了XiaoIce Band的有效性。
那么，你的论文”中奖“了吗？欢迎留言。
长按扫描下方小程序码，互动提问
你也许还想 看 ：
● Nature重磅：华裔科学家成功解码脑电波，AI直接从大脑中合成语音
欢迎扫码关注：
觉得赞你就点 在看 ，多谢大佬
以上所述就是小编给大家介绍的《KDD 2019放榜！录取率仅14%，强调可重现性》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Ant Colony Optimization
Marco Dorigo、Thomas Stützle / A Bradford Book / 2004-6-4 / USD 45.00
The complex social behaviors of ants have been much studied by science, and computer scientists are now finding that these behavior patterns can provide models for solving difficult combinatorial opti......一起来看看 《Ant Colony Optimization》 这本书的介绍吧!
