しましまのKDD2018まとめ

Tina Eliassi @tinaeliassi

So proud of @_leotrs, who presented at his 1st KDD tutorial on Graph Metric Spaces: neu-spiral.github.io/GraphMetricSpa… #KDD2018 pic.twitter.com/6u8n2lvNIt

拡大

Luis Aburto @luaburto

Great tutorial at #KDD2018 #datascience in #Retail as-a-Service aigsic.com/kdd_2018_raas.… pic.twitter.com/TnZtYBxNqh

拡大

Pete Skomoroch @peteskomoroch

Fact Checking: Theory and Practice #KDD2018 Tutorial Slides shiralkarprashant.github.io/fact-checking-… pic.twitter.com/sDNlYiIXAT

拡大

Jens Dittrich @jensdittrich

My first conf talk ever was at #KDD2001 using slides and analog animations on an overhead projector. Now, I, am back at #KDD2018. Exciting program so far! The content shifted quite a bit since 2001 from *-mining to *-data science.

Rishabh Mehrotra @erishabh

#kdd2018 tutorial on “Causal Inference & Counterfactual Reasoning” starting now by @amt_shrma & @emrek — From data to predictions — From prediction to decision making — Interventions change the environment pic.twitter.com/jjuMYU5V53

拡大

拡大

拡大

拡大

Rishabh Mehrotra @erishabh

predictive models are insufficient & hence we need causal models to reason with data #kdd2018 causal inference tutorial pic.twitter.com/BXhbD9ghhu

拡大

Bryan Perozzi @phanein

Tanya Berger-Wolf diving deep into which network representation can best answer questions on you data in Modeling Data with Networks tutorial (room 11). #KDD2018 pic.twitter.com/Fan6cOmPMY

拡大

Federico Tomasi @FedericoKlsw

Full room for causal inference tutorial by #Microsoft research #KDD2018 pic.twitter.com/xCeiSWGQvh

拡大

Rishabh Mehrotra @erishabh

Judea Pearl’s 3 layer Causal Hierarchy - association - interventions - counterfactuals #kdd2018 tutorial om causal inferences pic.twitter.com/QiRkl40r2e

拡大

Muhammad Aurangzeb Ahmad @vonaurum

The slides for our Tutorial are available on the tutorial page mlhealthcare.github.io #KDD2018 #KDD

Tabea Wilke | @tabea@sfba.social @TabWilke

Looking forward to 3 exciting days at #KDD2018. #datamining #informationnetworks #AI #Deeplearning pic.twitter.com/7nHuThVo5q

拡大

Paul Bennett @pnbennett

Packed room for @emrek's and Amit Sharma's tutorial on causal reasoning at #KDD2018. @MSFTResearch pic.twitter.com/RUsMeaVpy4

拡大

Fred Rahmanian ScD @3pletDad

Explainability of ML in healthcare #KDD2018 pic.twitter.com/N3S2TrOn7k

拡大

Tabea Wilke | @tabea@sfba.social @TabWilke

80% of data is unstructured Data. Labeling and topic modelling are critical for high quality analyses. #KDD2018 pic.twitter.com/vm9wQr6W1J

拡大

Rishabh Mehrotra @erishabh

Frameworks to make causal estimates: — Potential outcomes framework — Structured Causal Models (SCM) SCM allows us to leverage Pearl’s causality to express counterfactuals (using do-calculus) impressive overview of the field by @amt_shrma @emrek #kdd2018 causality tutorial pic.twitter.com/dmNYdi2YWI

拡大

拡大

拡大

Elsa Cardoso @ElsaCardoso_PT

New meaning to my name 'ELSA' 😀#KDD2018 #London pic.twitter.com/wUVKYtNRvL

拡大

Pete Skomoroch @peteskomoroch

Fact Checking using Knowledge Graphs #KDD2018 pic.twitter.com/MUowj93nSd

拡大

Bryan Perozzi @phanein

Goals of network embedding - support structural properties for inference - @jian_pei #KDD2018 pic.twitter.com/71Wnwvfknb

拡大

Elizabeth Fernandes @ElizabethDados

#kdd2018 #datascience 🤗🤗 @ London, United Kingdom instagram.com/p/BmqZ8p4Fb23/…

拡大

しましま @shima__shima

午前中は因果推論の人の公平性 csce.uark.edu/~xintaowu/kdd1…

しましま @shima__shima

私の調査が手薄な方面．因果グラフの存在を存在を前提にしてるので，細かい分析はできる．因果グラフをデータから求める研究のと，因果分析を同時にするという立場で機械学習の公平性を見るという風にもできるのかな？

しましま @shima__shima

午後はfactchecking のチュートリアル shiralkarprashant.github.io/fact-checking-… あまりKDDでも見ない話題，CMU の Faloutsos とAmazonの中の人による講演

しましま @shima__shima

fact checking：外部ソースからエビデンスを集め，その信頼性を評価して集約する． こうなるとQAとかと似てる気がする．

しましま @shima__shima

信頼性推定は，情報から情報源の信頼性を求め，信頼できる情報源の情報を集約するとかいう，クラウドソーシングのdavid-sekine みたいな感じになってて，既存技術は使えそう．一方で，コピペ関係の情報源を特定して，情報の信頼性を調整するとか，独自のものもあるようだ．

しましま @shima__shima

また知識グラフはより積極的に利用されてる感じ．事実の検証は，セマンティックWebの最上位層のlogicが担うことを期待されていたが，別の手段により知識グラフは検証作業に使われているみたいだ．