学习情况汇报
一、16年KDD有关图的讨论班情况
有关图的KDD的workshop目前为止共举办了12届。16年是最近的一次全天讨论班。
分析数据有很大的利益,其中最具有代表性的数据是图。例子包括万维网WWW,社交网络,生物网络,通信网络,交通网络,能源网络等等。这些图通常是多模态,多关系和动态的。在大数据时代,随着越来越多的结构化和半结构化的数据越来越多,能够有效挖掘和学习这些数据的重要性在不断增加。研讨会作为来自图形挖掘和学习的各种领域的研究人员的论坛,以供分享和讨论他们的最新发现。
有效挖掘和学习这种数据有很多挑战,包括:
了解适用的不同技术,包括图形挖掘算法,图形模型,潜变量模型,矩阵分解方法等。
处理数据的异质性。
信息集成和对齐的常见需求。
处理动态和变化的数据。
大规模处理这些问题。
传统上,一些分区已经为这个空间做出了贡献:图形挖掘中的社区,结构化数据学习,统计关系学习,归纳逻辑程序设计,以及超越计算机科学,社会网络分析和更宽广的网络科学等。
1.主讲:Attributed Network(特征网络)中的社区和异常
主讲人:Leman Akoglu,AssistantProfessor(助理教授,级别高于讲师低于副教授),Stony Brook University(纽约州立大学石溪分校,是美国著名的研究型公立大学,在世界范围内享有很高的学术声誉。石溪分校名列全美公立大学第二名,仅次于加州大学伯克利分校。石溪大学拥有许多一流学者,其教学品质和研究成果享誉国际,石溪的教授队伍中聚集着各领域的顶尖研究人员,著名核物理学家、诺贝尔物理奖获得者杨振宁在该校执教37年。世界上第一张核磁共振图像诞生于此。自1957年成立后,已经培养出多位著名人物,包括3位诺贝尔奖