为期一周的KDD 2022大会圆满落幕。这是既2020年初WSDM 2020之后时隔两年半，我参加的第一场线下举行的业界盛会。虽然疫情依然对这次大会有不小的影响，基本上所有来自中国的学者和公司都无法顺利参会，但参会者普遍表现出了非常高的热情以及对希望能够回到疫情前业界交流程度的渴望。
 
针对这次KDD 2022大会，我有这么一些感想和大家分享。
 
第一，“图神经网络”（Graph Neural Networks）的研究及应用依然十分火爆。这里面有两个特点，其一就是“图神经网络”在绝大多数场景里都有应用，其二就是工业界和学术界都在参与到了这一轮“图神经网络”研究的火热浪潮中。这让我想起2000年代初期随着社交网络和万维网的兴起而曾经风靡一时的“图挖掘”（Graph Mining）。当时的热点课题诸如“佩奇排名”（PageRank）、“社区检测”（Community Detection）以及“图拉普拉斯”（Graph Laplacian）都在这一轮的研究中鲜有提及。当然，这不光是“图神经网络”这一个子领域有这样的情况，诸如“推荐系统”（Recommender Systems）、“文本挖掘”（Text Mining）、“信息检索”（Information Retrieval）这些子领域的研究也都在近几年“深度学习”浪潮的冲击下被重新改写。
 
第二，“因果推断”（Causal Inference）已经从一个几年前的前沿话题变成了普遍使用的技术，渗透到了很多的场景应用中。特别是工业界中不少解决方案都涵盖了对“因果推断”的使用。不过，值得我们思考的是，目前很多研究人员把“因果推断”当成了提高下游任务精度的一个中检步骤，从而对其能够带来对于研究问题本身更多的思考无动于衷（例如很少有论文在乎“因果效应”）。另外，很多“因果推断”的论文其实都是“观察性研究”（Observational Study）。然而，这些论文其实并没有讨论这里面的假设、数据的要求以及结论的可靠性，这其实会有一定的误导性和危险性。
 
第三，某一些课题变得小众。例如，“优化”（Optimization）算法在前几年曾经是重要的课题，特别是在大规模计算上的应用。这几年也许随着各种深度学习框架的成熟，需要理解和扩展“优化”算法的场景大幅度压缩。绝大多数学者仅仅需要使用框架中提供的优化算法就可以达到比较满意的效果，从而也就没有了需要了解这些底层操作的需求。另外，“概率建模”（Probabilistic Modeling）逐渐无人问津。这一点来说还是有让人震惊的效果，虽然“概率建模”并不是针对所有场景都适用，但其提供了一种对问题不错的描述语言，这可以和最近几年完全基于“计算性”（Computational）深度学习方法有一个互补的空间。
 
最后，大会的三个“主题演讲者”（Keynote Speaker）各有特色。来自UC Santa Cruz的Lise Getoor是我前面提到的上一轮“图挖掘”研究火热的典型学者。其在演讲中提到的Collective Classification甚至在2000年代进入了教科书，但现在基本被完全遗忘。Lise基本上的研究课题基本上还是古典的“图挖掘”中的“推理”（Reasoning）。而来自Harvard University的Milind Tambe则奉献上了一个比较意外的出色的主体演讲。可能和其他演讲不同的是，Milind专注让大家了解了人工智能在如何创造社会价值特别是在贫困的第三世界国家中的应用。最后，来自USC的Shang-Hua Teng则做了一个比较偏向理论的，探讨了“启发式算法”（Heuristic）和理论之间的关系。这个演讲比较有意思的是，Shang-Hua把很多应用研究人员可能认为是理论的算法都归为“启发式算法”。
 
今年的KDD 2022和我疫情前参加的最后一届KDD 2019不管是人数上、参会公司上还是课题的多样性上都有一个明显的变化。感觉上一个浪潮的周期已经开始接近尾声，期待下一次和广大的业界学术界朋友再会。