中国内地及港澳首次获奖！
港科广数据科学与分析学域李佳教授
荣获SIGKDD2023最佳论文奖（研究）
第29届SIGKDD会议于2023年8月6日至10日在美国加州长滩举行。据统计，本次会议收到有效投稿1416篇，其中313篇论文被接收。本学域李佳教授获得最佳论文奖（Research Track），获奖论文为《图大模型的多任务提示》(All in One: Multi-task Prompting for Graph Neural Networks)。这是中国内地和港澳地区第一次获此荣誉。
ACM SIGKDD(国际数据挖掘与知识发现大会，简称KDD), 是由ACM数据挖掘及知识发现专委会主办的数据挖掘研究领域顶级年会，属于CCF A类会议。该大会始于1989年，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，每年吸引大量数据挖掘、机器学习、大数据和人工智能等领域的研究学者、从业人员参与。
最佳论文奖得主·李佳教授
李佳，香港科技大学（广州）数据科学与分析学域助理教授，2021年于香港中文大学获得博士学位。李佳博士拥有多年行业异常检测经验，曾就职于谷歌、腾讯（微信支付风控）。他的研究目前主要集中在异常检测、图神经网络以及 AI4Science。李佳博士作为第一或通讯作者在Nature Communications、NeurIPS、SIGKDD、ICML、TPAMI等人工智能和数据挖掘领域顶级会议和期刊上发表CCF-A论文20余篇。
个人主页：https://sites.google.com/view/lijia
以下为最佳论文简介:
图大模型的多任务提示
All in One: Multi-task Prompting for Graph Neural Networks
Xiangguo SUN (The Chinese Universityof Hong Kong), Hong CHENG (The Chinese University of Hong Kong), Jia LI (The Hong Kong University of Science and Technology (Guangzhou)), Bo LIU (Southeast UniversityPurple Mountain Laboratories), Jihong GUAN (Tongji University)
近期，“预训练和微调”已经成为许多图任务的标准工作流程，因为它可以利用通用图知识来缓解每个应用程序中图注释的缺失。然而，涉及节点级别、边级别和图级别的图任务千差万别，导致预训练的假设往往与这些多样的任务不兼容。这种差距甚至可能导致对特定应用程序的“负迁移”，从而导致结果不佳。受自然语言处理（NLP）中提示学习的启发，该方法在利用先前知识处理各种NLP任务方面表现出显著的有效性，我们研究了在图领域填补预训练模型和各种图任务之间差距的提示主题。在本文中，我们提出了一种新颖的图模型多任务提示方法。具体来说，我们首先通过提示标记、标记结构和插入模式统一了图提示和语言提示的格式。通过这种方式，NLP中的提示思想可以无缝地引入到图领域。然后，为了进一步缩小各种图任务与最先进的预训练策略之间的差距，我们进一步研究了各种图应用程序的任务空间，并将下游问题重新定义为图级任务。随后，我们引入元学习(meta learnnig)来高效地学习图的多任务提示的更好初始化，以使我们的提示框架在不同任务之间更加可靠和通用。我们进行了大量实验证明了我们方法的优越性。
https://arxiv.org/abs/2307.01504
2023-08-08