KDD 2021最佳论文等奖项出炉，首尔大学、斯坦福获奖，北理工上榜( 二 ) 机器之心报道机器之心编辑部

文章图片
论文地址：https://dl.acm.org/doi/pdf/10.1145/3447548.3467381
论文摘要：图聚类旨在发现节点的自然分组，以便将相似的节点分配到一个公共集群。已有一些研究提出了面向多种图的多种算法，包括简单图、节点含有相关属性的图，以及对于边代表不同类型关系的图等。然而，许多领域中的复杂数据可以同时表征为属性网络和多关系网络。在该论文中，研究者提出了SpectralMix ，这是一种用于具有分类节点属性的多关系图的联合降维技术。 SpectralMix集成了来自属性、关系类型和图结构的所有可用信息，以实现对聚类结果的合理解释。此外， SpectralMix泛化了现有方法：当仅应用于单个图时，它简化为频谱嵌入和聚类，当应用于分类数据时转换为同质性分析。该研究在几个现实世界的数据集上进行了实验，以检测图结构和分类属性之间的依赖关系，并展示了SpectralMix相比于现有方法的优势。

文章图片
上图是几种模型在ACM数据集上实验结果的可视化。从中我们可以观察到ANRL、CrossMNA、DMGC和MARINE表现不佳，因为属于不同研究领域的节点被混到了一起；而SpectralMix、DMGI、HAN和DGI能够更好地区分不同类型的节点。很明显， SpectralMix能够将不同研究领域的节点以更清晰的边界和更多的节点数目进行正确的聚类。此外，在图4(h)中嵌入的SpectralMix节点上值得注意的是，右侧有一组不同的节点，代表噪声数据或异常值，这表明SpectralMix对异常值具有稳健性。
应用数据科学方向最佳论文奖
今年的「应用数据科学方向最佳论文奖」由来自斯坦福大学等机构的SerinaChang等人摘得，获奖论文是《SupportingCOVID-19policyresponsewithlarge-scalemobility-basedmodeling》。

文章图片
论文地址：https://dl.acm.org/doi/pdf/10.1145/3447548.3467182
论文摘要：移动性限制（Mobilityrestriction）一直是控制COVID-19传播的主要干预措施，但它们也给个人和企业带来经济负担。为了平衡这些相互竞争的需求，决策者需要分析工具来评估不同的移动性措施带来的成本和收益。
在该论文中，研究者介绍了与弗吉尼亚卫生部在决策支持工具上的互动所激发的工作，该工具利用大规模数据和流行病学模型来量化移动性变化对感染率的影响。该研究模型通过使用细粒度的动态移动网络来捕获COVID-19的传播，该网络对人们每小时从社区到各个地方的移动进行编码，每小时有超过30亿条边。通过扰乱移动网络，该研究可以模拟各种各样的重新开放计划，并预测它们在新感染和每个部门的访问量损失方面的影响。为了在实践中部署这个模型，该研究构建了一个具有鲁棒性的计算基础设施来运行数百万个模型，并且该研究与政策制定者合作开发了一个交互式仪表板（dashboard），用于传达模型对数千个潜在政策的预测。

文章图片
方法概览。

文章图片
由5部分组成的交互式仪表板，分别是POI导航栏（左）、地图面板（右上）、表格面板（中下）、数据面板（右下）和移动性历史面板（弹出窗口）。
应用数据科学方向最佳论文亚军
北京理工大学和美的集团的HaoWang、ChiHaroldLiu和JianTang等人获得了应用数据科学方向最佳论文亚军，获奖论文是《Energy-Efficient3DVehicularCrowdsourcingForDisasterResponsebyDistributedDeepReinforcementLearning》。