← KDD 各届
KDD 2022· Knowledge Discovery and Data Mining
KDD 2022
亮点精读
8 篇 · 获奖 / oral / 高引📈 950 引用
GraphMAE: Self-Supervised Masked Graph Autoencoders
提出GraphMAE，用掩码图自编码器进行自监督学习，重建节点特征。
💡 简单有效，优于对比学习，推动图自监督发展。
arXiv
📈 385 引用
FLDetector: Defending Federated Learning Against Model Poisoning Attacks via Detecting Malicious Clients
提出FLDetector，通过检测恶意客户端防御联邦学习中的模型投毒攻击。
💡 保障联邦学习安全性，防止恶意客户端破坏模型。
arXiv
📈 364 引用
Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting
提出预训练增强的时空图神经网络，用于多变量时间序列预测。
💡 预训练提升时空图神经网络泛化能力。
arXiv
📈 340 引用
Towards Universal Sequence Representation Learning for Recommender Systems
提出通用序列表示学习框架，统一多种推荐任务中的序列建模。
💡 提升推荐系统跨任务泛化能力。
arXiv
📈 295 引用
A New Generation of Perspective API: Efficient Multilingual Character-level Transformers
提出高效多语言字符级Transformer，提升Perspective API毒性检测性能。
💡 降低计算成本，支持多语言，提升内容审核效率。
arXiv
📈 281 引用
ROLAND: Graph Learning Framework for Dynamic Graphs
提出ROLAND框架，将动态图转化为静态图学习，统一处理节点和边演化。
💡 首次统一动态图学习框架，显著提升效率与准确性。
arXiv
📈 256 引用
Graph Neural Networks: Foundation, Frontiers and Applications
综述图神经网络的基础、前沿与应用，涵盖模型、理论及实践。
💡 为GNN研究提供全面指南，推动领域发展。
📈 251 引用
GPPT: Graph Pre-training and Prompt Tuning to Generalize Graph Neural Networks
提出图预训练与提示调优框架，通过图级提示统一预训练和微调任务。
💡 首次将提示学习引入图领域，提升GNN泛化能力。
全部论文
加载中…正在从 DBLP 加载全量论文…
全量索引来自 DBLP · 完整 proceedings 见 官方站点