【KDD2019|讲座推荐】神经网络中的不完全性：偏差、偏斜结果和一些解决方案：Incompleteness in Networks: Biases, Skewed Results, and Some Solutions

讲座题目

网络中的不完全性：偏差、偏斜结果和一些解决方案：Incompleteness in Networks: Biases, Skewed Results, and Some Solutions

讲座简介

神经网络分析通常是在更大的完全观测网络的不完全样本上进行的（它们被认为代表了一些感兴趣的现象）。例如，许多研究人员从在线数据存储库（如snap.stanford.edu和icon.colorado.edu）获取网络，而不知道如何收集网络。这样的网络可能无法很好地表示完全观察到的现象。更完整的数据将导致更精确的分析，但数据获取最多可能代价高昂，最糟糕的情况下容易出错（例如，考虑一个故意破坏查询答案的对手）。过去关于这个主题的工作分为两个分支：（1）假设一个网络模型，并使用观察到的数据来推断未观察到的数据；（2）不假设一个网络模型，而是使用观察到的数据来学习给定查询预算的数据获取策略。我们关注第二个分支。也就是说，给定用于识别额外节点和边的查询预算，如何改进观测网络样本，使其更准确地表示完全观测的网络？这个问题与图形采样和爬行等主题相关，但与之不同。在本教程中，我们将讨论不完整网络中的潜在偏差，并提出通过主动探测节点和边来丰富此类网络的方法。我们将集中讨论多臂bandit、在线主动学习和这个问题的Markov决策过程公式（也称为网络发现问题）；并澄清学习成长网络（也称为主动探索）和学习网络上的“最佳”功能（也称为主动学习）之间的区别。

讲座嘉宾

Timothy Sakharov,是蒂娜·埃利亚西·拉德教授的三年级博士生。他的研究重点是网络科学和计算机科学的交叉。他对机器学习和数据挖掘方法在网络中的应用感兴趣。目前，他正致力于通过智能节点查询来减轻网络的不完整性。蒂姆拥有东北大学信息科学学士学位 Forum）上发表了受邀的主题演讲（“人工智能与机器学习：Facebook视角”）。