KDD 2019录取论文终于放榜了！你的论文“中奖”了吗？
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kddresearch 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kddresearch track的两篇最佳论文。
kdd 2018research 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。
行程开关工作原理
苏宁加大iPhone 12以旧换新补贴
指尖大小的高性能超快激光器制成，可用于无GPS情况下导航等场景
电子线路与电磁干扰/电磁兼容设计分析
离线语音在智能风扇的应用
KDD 2019录取论文终于放榜了！你的论文“中奖”了吗？
人工智能：你知道这八个超赞的机器学习项目吗？
如何找到电源开关回路
物联网可能会威胁到互联网！
一文了解过电流脱扣器
iPhone7改变不够？来看看iOS10系统最新九大变化
三级钟MEMS振荡器的性能特点和优势
怎样利用人工智能让双11变得更加高效
如何意念操控,脑波技术+VR/AR教你怎么玩
DEKRA德凯深度参与IEC/EN TC21/SC21A电池标准委员会专家组讨论
11月11日在线研讨会 | Excel诊断调查问卷与ODX的转换及应用
SpringBoot如何快速过滤出一次请求的所有日志？
压力传感器常见问题解答
利用I2C通信接口实现测温的设计方案
充电芯片烧毁竟是电池热插拔惹的祸？
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kddresearch 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kddresearch track的两篇最佳论文。
kdd 2018research 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。
行程开关工作原理
苏宁加大iPhone 12以旧换新补贴
指尖大小的高性能超快激光器制成，可用于无GPS情况下导航等场景
电子线路与电磁干扰/电磁兼容设计分析
离线语音在智能风扇的应用
KDD 2019录取论文终于放榜了！你的论文“中奖”了吗？
人工智能：你知道这八个超赞的机器学习项目吗？
如何找到电源开关回路
物联网可能会威胁到互联网！
一文了解过电流脱扣器
iPhone7改变不够？来看看iOS10系统最新九大变化
三级钟MEMS振荡器的性能特点和优势
怎样利用人工智能让双11变得更加高效
如何意念操控,脑波技术+VR/AR教你怎么玩
DEKRA德凯深度参与IEC/EN TC21/SC21A电池标准委员会专家组讨论
11月11日在线研讨会 | Excel诊断调查问卷与ODX的转换及应用
SpringBoot如何快速过滤出一次请求的所有日志？
压力传感器常见问题解答
利用I2C通信接口实现测温的设计方案
充电芯片烧毁竟是电池热插拔惹的祸？