KDD 2019錄取結果終于放榜了，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第一次采用雙盲評審政策，并強調(diào)提交論文可重現(xiàn)內(nèi)容。因此，論文質(zhì)量特別值得期待。

KDD 2019錄取論文終于放榜了！你的論文“中獎”了嗎？

ACM SIGKDD（國際數(shù)據(jù)挖掘與知識發(fā)現(xiàn)大會，簡稱 KDD）是世界數(shù)據(jù)挖掘領域的最高級別的學術會議，由 ACM 的數(shù)據(jù)挖掘及知識發(fā)現(xiàn)專委會（SIGKDD）主辦，被中國計算機協(xié)會推薦為 A 類會議。

自 1995 年以來，KDD 已經(jīng)連續(xù)舉辦了二十余屆大會，今年是第25屆。今年的 KDD 大會將于 2019 年 8 月 4 日 ~8 日在美國阿拉斯加州安克雷奇市舉行。

原定于4 月 28 日 (UTC-11)，也就是北京時間 4 月 29 日晚上 7 點發(fā)出的錄取結果通知，延遲了大半天之后終于陸續(xù)放榜。新智元也在twitter、朋友圈等看到論文作者們曬出錄取結果。

錄取率僅14%，強調(diào)論文結果可重現(xiàn)

作為數(shù)據(jù)挖掘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(yè)關注。今年也是KDD大會采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(jù)了解，今年KDDResearch 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(shù)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(tǒng)計、機器學習、數(shù)據(jù)庫、萬維網(wǎng)、生物信息學、多媒體、自然語言處理、人機交互、社會網(wǎng)絡計算、高性能計算以及大數(shù)據(jù)挖掘等眾多領域的專家和學者。

KDD官網(wǎng)的投稿要求

值得關注的是，今年KDD投稿通知中將“可重現(xiàn)性”作為重點，鼓勵作者們在論文中公開研究代碼和數(shù)據(jù)，匯報他們的方法在公開數(shù)據(jù)集上的實驗結果，并盡可能完整描述論文中使用的算法和資源，以保證可重現(xiàn)性。

為了鼓勵呈現(xiàn)結果的可重現(xiàn)性，KDD 2019 規(guī)定只有在文章最后額外提交兩頁附錄體現(xiàn)“可重現(xiàn)性”內(nèi)容（包括實驗方法、經(jīng)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KDDResearch Track的兩篇最佳論文。

KDD 2018Research 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(jié)點分類任務中取得了很好的性能。盡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(wǎng)絡，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(zhàn)性的中毒/誘發(fā)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(jié)點的特征和圖結構生成對抗性擾動，從而獲取實例之間的依賴關系。此外，我們通過保留重要的數(shù)據(jù)特征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算法 Nettack。我們的實驗研究表明，即使只進行少量的擾動，節(jié)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(jié)點分類模型和無監(jiān)督方法，即使只給出很少的關于圖的知識，也同樣能成功。

圖：對圖結構和節(jié)點特征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(chuàng)作知識的發(fā)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于歌曲生成時存在局限性，這既需要旋律，又需要編曲。此外，許多與歌曲質(zhì)量有關的關鍵因素沒有得到很好的解決，例如和弦進行和節(jié)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弦和節(jié)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(chǎn)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，我們設計了一種基于和弦的節(jié)奏和旋律交叉生成模型（CRMCG），以生成帶有和弦進行的旋律。然后，我們提出一種基于多任務學習的多樂器協(xié)同編曲模型（ Multi-Instrument Co-Arrangement Model ，MICA）。最后，我們在一個真實數(shù)據(jù)集上進行了廣泛的實驗，結果證明了XiaoIce Band的有效性。

那么，你的論文”中獎“了嗎？歡迎留言。