kdd专题
MFTCoder论文被KDD 2024接收，开源v0.4.2版发布
1. MFTCoder 简介 CodeFuse在2023年9月开源了一种多任务微调框架——MFTCoder，它可以实现在多个任务上同时并行地进行微调。通过结合多种损失函数，我们有效地解决了多任务学习中常见的任务间数据量不平衡、难易不一和收敛速度不一致等挑战。大量实验结果显示，相较于单独对单个任务进行微调或者多任务混合为一后进行微调，我们的多任务微调方法表现更优。此外，MFTCoder具备高效
图神经网络——【KDD 2019】KGAT
重磅专栏推荐： 《大模型AIGC》 《课程大纲》 《知识星球》 本专栏致力于探索和讨论当今最前沿的技术趋势和应用领域，包括但不限于ChatGPT和Stable Diffusion等。我们将深入研究大型模型的开发和应用，以及与之相关的人工智能生成内容（AIGC）技术。通过深入的技术解析和实践经验分享，旨在帮助读者更好地理解和应用这些领域的最新进展 深度推荐算法（如DeepFM等）模型
时间序列数据挖掘--机器学习+统计学方法+kdd论文（三）----Tripoles: A New Class of Relationships in Time Series Data
时间序列数据挖掘（二） 机器学习+统计学+kdd1718论文机器学习下的时间序列统计学下的时间序列KDD2017论文 Tripoles: A New Class of Relationships in Time Series DataAbstract 摘要Keywords 关键词Introduction 介绍Definitions 定义Proposed approach 提出的方法naive
时间序列数据挖掘--机器学习+统计学方法+kdd论文（二）
时间序列数据挖掘（二） 机器学习+统计学+kdd1718论文机器学习下的时间序列RNNRNN使用领域 LSTM 统计学下的时间序列ARIMAARIMA的含义模型前提：平稳ARIMA的数学形式ARIMA模型建立步骤一些细节 机器学习+统计学+kdd1718论文 第二篇博客，接着上面的笔记写。 上一篇因为操作失误没有保存简直太失败了，这次要注意点。 这一篇主要记录我从统计学模型
时间序列数据挖掘--机器学习+统计学方法+kdd论文（一）
时间序列数据挖掘（一） 机器学习+统计学+kdd1718论文机器学习下的时间序列RNNRNN使用领域 LSTM 统计学下的时间序列kdd论文 机器学习+统计学+kdd1718论文 这是我第一次写博客，想记录下我上博士期间的学习记录和论文阅读感想。 距离我去读博还有一年，我想在这一年里多了解了解数据挖掘不同的方向，最终选择感兴趣的方向并一致研究下去。 我大致看了kdd2017和k
Coggle数据科学 | KDD Cup 2024：亚马逊LLMs购物挑战
本文来源公众号“Coggle数据科学”，仅用于学术分享，侵权删，干货满满。 原文链接：KDD Cup 2024：亚马逊LLMs购物挑战 赛题名称：Amazon KDD Cup 2024: Multi-Task Online Shopping Challenge for LLMs 赛题类型：大模型、推荐系统、多任务 https://www.aicrowd.com/challenges/
【深度学习】【机器学习】用神经网络进行入侵检测，NSL-KDD数据集，基于机器学习（深度学习）判断网络入侵，网络攻击，流量异常【3】
之前用NSL-KDD数据集做入侵检测的项目是： 【1】https://qq742971636.blog.csdn.net/article/details/137082925 【2】https://qq742971636.blog.csdn.net/article/details/137170933 有人问我是不是可以改代码，我说可以。 训练 我将NSL_KDD_Final_1.ipynb的代
论文浅尝 | 最新10篇《知识图谱》论文推荐(ICML, CVPR, ACL, KDD, IJCAI 2019)
本文转载自公众号：专知。 【导读】知识图谱一直是研究热点，研究者近年来广泛关注知识图谱嵌入（Knowledge Graph Embedding，简称KGE）方法，在保留语义的同时，将知识图谱中的实体和关系映射到连续的、稠密的低维向量空间，从而可以通过向量来高效计算实体与关系的语义联系，利用学习得到的实体/关系的表征向量支撑下游应用。专知整理了最新ACL、CVPR、KDD、ICML等顶会关于知
赛事分享 Amazon KDD Cup 2024: Multi-Task Online Shopping Challenge for LLMs
✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。 🍎个人主页：小嗷犬的个人主页 🍊个人网站：小嗷犬的技术小站 🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。 赛事链接：https://www.aicrowd.com/challenges/amazon-kdd-cup-2024-multi-task-online-shopping
将人工智能探灯，照向一望无际的数据深海 | KDD China技术峰会预告
如果把人工智能比作翻滚而来的巨浪， 那么数据， 就是蕴藏在浪头底下遥远深邃的大海。 良性运转的人工智能平台，是一种通过数据、技术、产品三者不断循环，完成的滚雪球式闭环。 12 月 18 日， ACM 数据挖据中国分会（KDD China）作为 SIGKDD 在中国的唯一官方分支机构，将在深圳举办一场技术峰会：从大数据到人工智能。汇聚国内顶尖学者和从业人员，探索学术前沿与业界应用，将人工智能
KDD CUP99数据预处理三个步骤
入侵检测实验一般使用的是KDD CUP99中的kddcup.data_10percent数据集。由于数据集中包含有符号型的数据属性，不适合直接处理，所以需要进行预处理，数据集的预处理一般由三个步骤: 1.将字符型特征转换成数值型特征 2.数值标准化 3.数值归一化 关于KDD CUP99的数据预处理看了两个博客，两个博客合在一起比较完整，所以这里转载过来，记录下来方便学习。 ！！！以下部分转自
KDD 2020（一） | 可调控的多兴趣推荐框架（作者带你读论文）
⬆⬆⬆ 点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入！ 论文：Controllable Multi-Interest Framework for Recommendation 作者：Yukuo Cen, Jianwei Zhang, Xu Zou, Chang Zhou, Hongxia Yang, Jie Tang 会议：In Proceedings
基于SVM模型的网络入侵检测模型训练与评估（NSL-KDD数据集）
简介 针对网络安全领域的NSL-KDD数据集进行分类任务的预处理和模型训练、以及超参数调优。 数据预处理 读取并解析数据集；检查并删除指定列（outcome）的缺失值；对类别型特征（protocol_type, service, flag）进行LabelEncoder编码转换；将攻击类型标签字段"attack"二值化，'normal’映射为0，其他攻击类型映射为1；划分训练集和测试集，并对两
今晚7:30 | KDD-7——纽约大学斯特恩商学院、伊利诺伊大学香槟分校
点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入！ 11月18日 19:30~20:30 AI TIME特别邀请纽约大学斯特恩商学院、伊利诺伊大学香槟分校的博士生，开启KDD第七场！ 哔哩哔哩直播通道 扫码关注AITIME哔哩哔哩官方账号 观看直播 链接：https://live.bilibili.com/21813994 ★ 邀请嘉宾 ★ 李磐： 纽约大学斯特恩商学院信息
KDD 2023 图神经网络方向论文总结
ACM SIGKDD（国际数据挖掘与知识发现大会，KDD）是数据挖掘领域历史最悠久、规模最大的国际顶级学术会议，也是首个引入大数据、数据科学、预测分析、众包等概念的会议。今年，第29届 KDD 大会在美国加州长滩举行，大会包含研究方向（Research）和应用数据科学方向（Applied Data Science，ADS）两个 track，共公布了8篇获奖论文。本文主要收集大会中与图神经网络相关
使用LUCS-KDD-DN运行CMAR算法
java项目。 有CMAR的代码实现。 首先，转换数据集。按照要求先输入数据头文件，再进行转换。提供了部分转换好的UCI数据集dataSets.tgz（http://cgi.csc.liv.ac.uk/~frans/KDD/Software/LUCS-KDD-DN/DataSets/dataSets.html），已保存至移动硬盘的Experienment目录。 http://archive.
Talk | KDD‘23 Best Paper 港中文孙相国：All in One - 提示学习在图神经网络中的探索
本期为TechBeat人工智能社区第532期线上Talk！ 北京时间9月20日(周三)20:00，香港中文大学博后研究员—孙相国的Talk已准时在TechBeat人工智能社区开播！ 他与大家分享的主题是: “提示学习在图神经网络中的探索”，他分享了提示学习基本概念，并介绍了他的团队提出的图模型多任务提示方法。 Talk·信息 ▼ 主题：提示学习在图神经网络中的探索 嘉宾：香港中文
直播预告|KDD专场二，来看看都有谁吧！
点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入！ 10月21日 19:30~21:00 AI TIME特别邀请了清华大学、加州大学、美国罗格斯大学的三位博士们，为大家带来KDD专场二！ 哔哩哔哩直播通道 扫码关注AITIME哔哩哔哩官方账号 观看直播 链接：https://live.bilibili.com/21813994 ★ 嘉宾介绍 ★ 赵伯罕： 清华大学交叉信息研究
KDD CUP 2021首届图神经网络大赛放榜，百度飞桨PGL获得2金1银
近日，由KDD CUP与OGB（Open Graph Benchmark）联合举办的首届图神经网络大赛正式放榜，在DeepMind、微软、蚂蚁金服、UCLA 等全球500多个顶尖企业、高校和实验室的激烈竞争中，百度凭借飞桨图学习框架PGL一路过关斩将，最终在全部三个赛道包揽了两冠一亚。 （本次大赛承办方斯坦福大学Jure Leskovec教授宣布冠军队伍） 据了解，KDD CUP是ACM
2023年阿里巴巴信息检索(搜推广)技术论文整理汇总-KDD
省时查报告-专业、及时、全面的行研报告库 省时查方案-专业、及时、全面的营销策划方案库 2024届高校毕业生抽样调研报告.pdf 2023届高校毕业生薪酬研究报告.pdf 【免费下载】2023年9月份全网热门报告合集 千模大战：百家争鸣OR一地鸡毛？ OpenAI：GPT最佳实践（大白话编译解读版） ChatGPT提词手册，学完工作效率提升百倍 马斯克谈AI：中美差距12个月，出现A
BAT去年在KDD上作为第一单位发表的12篇文章！（内附每篇文章解读）
转自 http://www.eeworld.com.cn/mp/QbitAI/a58948.jspx，如有侵权，请及时联系我 如今，全世界每天都有几十亿人在使用计算机、平板电脑、手机和其它数字设备产生海量数据。各个行业和领域都已经被数据给渗透，数据已成为非常重要的生产因素的大数据时代，数据挖掘这一领域俨然引起了国际、国内工业界的广泛关注。 本文将为大家介绍国内工业界在数据挖掘方面的研究工作（主
19KDD AccuAir Winning Solution to Air Quality Prediction for KDD Cup 2018
目的：用空气质量、meteorology （气象学）、spatial topology （空间拓扑）、天气预报、站点信息、时间信息来预测空气质量。 难点：影响因素多，参量之间的影响是非线性的且具有时空特性，突变的噪声性质，有未知参量的影响。 解决方案：建立了LightGBM、spatial-temporal gated DNN、Seq2Seq model三个模型，分别用现有数据集训练；再训练一
【时间序列竞赛方案】Baidu KDD Cup 2022 风电预测比赛总结 (含19个高分方案)
本 文将从以下五个方面进行分享： 一、任务定义 二、评估方法 三、数据详情 四、高分方案 五、参赛感想 一、 任务定义 2022年kdd cup提供了龙源电力集团有限公司独特的空间动态风力预测数据集：SDWPF，其中包括风力涡轮机的空间分布，以及时间、天气和涡轮机内部状态等动态背景因素。然而，大多数现有的数据集和竞赛将 WPF 视为时间序列预测问题，而不知道风力涡轮机的位置和上下文信息。预测目
国际顶会【自然语言处理：ACL、EMNLP、NAACL、Coling】【机器学习：ICML、NIPS、UAI、AISTATS】【深度学习：ICLR】【数据挖掘：KDD、WSDM】【人工智能：AAAI】
ArXiv.org 【自然语言处理：ACL、EMNLP、NAACL、Coling】 【计算机视觉：ICCV、CVPR】 【机器学习：ICML、NIPS、UAI、AISTATS】 【深度学习：ICLR】 【数据挖掘：KDD、WSDM】 【人工智能：IJCAI、AAAI】 【图神经网络：KDD】 期刊：Computational Linguistics、TACL Tutorial Session：领
【AI4Code】《Pythia: AI-assisted Code Completion System》（KDD 2019）
代码补全 补全属性/方法，在一个给定集合内推荐item，最简单的方法就是按字母排序，缺点是用户下拉菜单的时间可能要长于直接打代码的时间。用户可以多打几个前缀帮助补全。 基于模型的代码补全 基于抽象语法树（AST）——Pythia等基于代码文本——Deep TabNine 、Galois等 数据：AST和代码文本 AST是源代码语法结构的一种抽象表示。它以树状的形式表现编程语言的语法
KDD 2021｜美团联合多高校提出多任务学习模型，已应用于联名卡获客场景
很多应用通常都需要用定向展示广告来进行获客，对信用卡广告来说，由于用户转化存在较长的链路，持续有效的获客比传统广告更具挑战性。本文结合美团联名信用卡业务中的具体实践，以及今年发表在KDD 2021上的论文，介绍了一种自适应信息迁移多任务（AITM）框架，通过该框架可建模用户多步转化之间的序列依赖关系，并提高端到端获客转化率。希望能对从事相关研究的同学有所帮助或者启发。 论文下载：《Modeli