5月16日，中国盘算机学会（CCF）推荐的A类国际学术聚会会议KDD2021论文接收结果宣布。菠菜平台高瓴人工智能学院师生有2篇论文被录用。国际数据挖掘与知识发现大会(ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ，简称KDD ),是数据挖掘领域的国际顶级聚会会议。2021年共有1541篇有效投稿，其中238篇论文被接收，接收率为15.44%。

2021年1月至今，高瓴人工智能学院已发表或被录用CCF A类国际期刊或和聚会会议论文49篇、CCF B类期刊和论文8篇；以人大师生为第一作者或通讯作者发表的论文数量为52篇。

论文介绍

论文题目：Approximate Graph Propagation

作者：王涵之，何明国，魏哲巍，王思博，袁野，杜小勇，文继荣

通讯作者：魏哲巍

论文概述：节点邻近度的高效盘算在众多图挖掘和体现学习问题中都有着广泛的应用，例如社区发现、图神经网络应用中的节点分类问题等。但是，现有事情普遍只着眼于某一特定的邻近度指标，而缺乏一种通用的算法同时支持绝大多数节点邻近度指标的高效盘算。本篇论文将多种节点邻近度指标归纳为一种通用的盘算范式，针对该通用范式提出了一种可以高效盘算绝大多数节点邻近度指标的算法AGP。通过严格的理论分析，我们证明了AGP算法可以在近似最优的时间庞大度下完成所有切合该通用范式的邻近度指标的盘算，例如Personalized PageRank、Heat Kernel PageRank、transition probability、Katz、图神经网络中的特征流传历程等。我们以社区发现和图神经网络应用中的节点分类场景为例，借助大量的实验证明了AGP算法的有效性。特别地，在以GNN为基础的节点分类问题中，AGP乐成将多种GNN模型的支持数据巨细扩展到了目前最大的果真数据集Papers100M，AGP可以在半小时内单机单卡完成Papers100M上的训练历程。

论文介绍

论文题目：Data Poisoning Attack against Recommender System Using Incomplete and Perturbed Data

作者：Hengtong Zhang, 田长鑫, Yaliang Li, Lu Su, Jing Gao, Nan Yang, 赵鑫

论文概述：最近的研究讲明，推荐系统由于其开放性，它们很容易受到数据投毒攻击。在数据投毒攻击中，攻击者通常会通过一组受控制的用户将精心设计的用户-项目交互数据注入推荐模型的训练集，以便凭据需要修改模型参数。因此，现有的攻击要领通常需要完全会见训练数据，从而推断物品的特征，并为受控制的用户制造虚假交互。但是，由于攻击者数据收集能力的有限和推荐服务方隐私掩护机制的滋扰，攻击者无法实现对训练数据的完全会见，这导致这种攻击要领在实践中可能并不行行。在本文中，我们提出了两种新的反抗攻击要领来处置惩罚训练数据的不完整性和扰动。首先，我们提出了一个双层优化框架，结合概率生成模型来寻找训练数据中未被显著滋扰的用户-物品交互，并利用这些交互数据来制造虚假的用户-物品交互。此外，我们逆转了推荐模型的学习历程，并在此基础上开发了一种简朴而有效的要领，该要领可以结合上下文特定的启发式规则来处置惩罚数据的不完整性和扰动。我们在两个数据集上对三种典型推荐模型进行了大量实验，实验结果讲明，所提出的要领比现有要领具有更好的攻击性能。