KDD关于图的论文

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