近来,第28届ACM常识发现与数据发掘会议(KDD 2022)官方发布论文选用成果,我校信息与软件工程学院硕士生和本科生为榜首作者的两篇论文被大会接纳,周帆副教授为论文辅导教师和通讯作者,信息与软件工程学院为榜首作者单位和通讯单位。
该研讨提出了一种新的时空图数据学习办法SPGCL,处理了现存时空图猜测模型中的邻接联系不完善问题(如图1所示),证明了节点和其街坊的大局最优和迭代的部分最优等价,而且使用比照学习和正例-无标签学习提出了自适应的构图办法,能为不同的节点寻觅相适应的互信息最大化的街坊调集,一起使得猜测丢失最小化。比较较以往相关研讨,该研讨的优势在于一是能动态地构建网络而不是根据静态的超参数;二是为经过互信息树立优化方针函数供给理论依据;三是不依赖某个特定的特征和预处理,而是经过比照学习强化嵌入表明。该研讨可作为通用算法使用于时空特点猜测使命,在揭露数据集上进行的很多试验,证明了与之前最先进的基线办法比较该计划的优越性。
该研讨专心于大街级IP地址定位问题,行将给定的恣意IP地址识别为其地点的地理位置标识。此前,该问题首要经过丈量路由时延等拓扑信息,或整合IP相关数据库的特征完成。但是传统办法存在信息限制性问题,疏忽了IP地址与地标之间的联系。该研讨经过引进图神经网络来战胜这一限制性,并提出了系统性的IP大街级定位结构GraphGeo(如图1所示)。该结构首先以公共路由器为中心,构建方针IP与地标之间的结构联系,并经过空间间隔和特征类似度进行赋权。随后经过图神经网络交融IP地址的特征和邻域联系,提取区域公共常识和拓扑。此外,针对网络环境的不稳定性,该办法进行了概率性建模,使得图结构学习和IP定位成果更具鲁棒性。
KDD为数据发掘范畴的尖端会议,我国计算机学会(CCF)评级为A类会议。KDD包括两个Track,其间 Applied Data Science Track面向工业、互联网和商业等实践数据科学使用场景,Research Track则聚集于数据发掘理论、技能和算法的立异性研讨,本届KDD两个Track的选用率分别为25%和15%。