布朗大学华人统计30个会议，25年最佳论文：微软第一，清北排名30开外( 二 ) 新智元报道编辑：LRS【新智元

KDD
KDD2019的最佳论文来自墨尔本皇家理工大学的YipengZhang.

文章图片
论文地址：https://dl.acm.org/doi/10.1145/3292500.3330829
研究人员提出并研究了在考虑到impressioncount的情况下优化户外广告的影响力问题。给定一个广告牌数据库，每个广告牌都有一个位置和一个非统一的成本，一个轨迹数据库和一个预算，其目的是找到一组在预算下具有最大影响力的广告牌。与广告消费者行为研究一致，在定义影响力度量时，研究人员采用逻辑函数来考虑放置在不同广告牌上的广告对用户轨迹的impressioncount 。这也带来了两个挑战：
(1)对于任何ε>0的多项式时间，要在O(|T|1-ε)的系数内近似，这个问题都是NP-hard的；
(2)影响力测量是non-submodular的，这意味着直接的贪婪方法是不适用的。
因此，研究人员提出了一种基于切线的算法来计算一个submodular函数来估计影响力的上限。引入了一个具有θ终止条件的分支和边界框架，实现了θ2/(1-1/e)的近似率。
然而，当|U|很大时，这个框架很耗时。因此，研究人员用渐进式修剪上界估计方法进一步优化，实现了θ2/(1-1/e-ε)的近似率，并大大减少了运行时间。在真实世界的广告牌和轨迹数据集上进行的实验结果表明，所提出的方法在有效性上比基线要好95% 。此外，优化后的方法比原来的框架要快两个数量级。
AAAI
AAAI2021的最佳论文有两篇，其中一篇是来自北京航空航天大学的Informer模型。

文章图片
论文地址：https://www.aaai.org/AAAI21Papers/AAAI-7346.ZhouHaoyi.pdf
现实世界的应用经常需要对长序列的时间序列进行预测，例如用电规划等。长序列时间序列预测（LSTF）要求模型具有高预测能力，即能够有效地捕捉到输出和输入之间精确的长距离依赖耦合关系。一些研究表明Transformer有潜力来提高模型预测能力，但Transformer有几个严重的问题使其不能直接应用于LSTF ，例如二次时间复杂度，更高的内存消耗量，以及编码器-解码器结构的固有限制。
为了解决这些问题，研究人员设计了一个高效的基于Transformer的模型，命名为Informer ，模型具有三个显著的特点：(i)ProbSparseSelf-attention机制，该机制在时间复杂度和内存使用方面达到了O(LlogL) ，并在序列的依赖关系对齐上性能相当不错；(ii)自注意力的提炼通过将级联层的输入减半来突出更重要的注意力，并能够有效地处理极长的输入序列；(iii)生成式的风格解码器（sytledecoder），虽然在概念上很简单，但一次forward操作中就能预测出长时间序列的预测，而不是以逐步进行的方式，极大地提高了长序列预测的推理速度。
在四个大规模数据集上的实验结果表明， Informer的性能明显优于现有方法，并为LSTF问题提供了一个新的解决方案。
Microsoft夺冠
除了按照会议、年限来查看最佳论文外，制作者还对每篇最佳论文的作者研究机构进行了排序。
按照第一个作者获得1分，第二作者0.5分，第三作者0.33分等进行打分，然后把分数进行归一化。

文章图片
制作者表示，这个排名可能不准确或不完整，也可能不会反映最佳论文奖的当前状态，这也并非是一个官方列表，如果对此处列出的研究机构排名不满意，那请忽略它。