Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理大学）；Institute for Infocomm Research（资讯通信研究院）；University of California Irvine（加利福尼亚大学尔湾分校）
Sezin Kircali Ata, Yuan Fang, Min Wu, Jiaqi Shi, Chee Keong Kwoh, Xiaoli Li
备注：
Accepted for publication in the ACM Transactions on Knowledge Discovery from Data, TKDD
Real-world networks often exist with multiple views, where each view describes one type of interaction among a common set of nodes. For example, on a video-sharing network, while two user nodes are linked if they have common favorite videos in one view, they can also be linked in another view if they share common subscribers. Unlike traditional single-view networks, multiple views maintain different semantics to complement each other. In this paper, we propose MANE, a multi-view network embedding approach to learn low-dimensional representations. Similar to existing studies, MANE hinges on diversity and collaboration - while diversity enables views to maintain their individual semantics, collaboration enables views to work together. However, we also discover a novel form of second-order collaboration that has not been explored previously, and further unify it into our framework to attain superior node representations. Furthermore, as each view often has varying importance w.r.t. different nodes, we propose MANE+, an attention-based extension of MANE to model node-wise view importance. Finally, we conduct comprehensive experiments on three public, real-world multi-view networks, and the results demonstrate that our models consistently outperform state-of-the-art approaches.
National University of Singapore（新加坡国立大学）；Chengdu University of Information Technology（成都信息工程大学）；Northeast Petroleum University（东北石油大学）；Nanjing University of Science and Technology（南京理工大学）
Multi-View Multi-Instance Multi-Label Learning based on Collaborative Matrix Factorization
Southwest University（西南大学）；China University of Geosciences（中国地质大学）；George Mason University（乔治梅森大学）；Deakin University（迪肯大学）；Beijing University of Civil Engineering and Architecture（北京建筑大学）
Modeling Embedding Dimension Correlations via Convolutional Neural Collaborative Filtering
University of Electronic Science and Technology of China（电子科技大学）；University of Science and Technology of China（中国科学技术大学）；Platform and Content Group (PCG) of Tencent（腾讯平台与内容事业群）；Nanjing University of Science and Technology（南京理工大学）；National University of Singapore（新加坡国立大学）
Adaptive Collaborative Similarity Learning for Unsupervised Multi-view Feature Selection
Shandong Normal University（山东师范大学）；Shandong University（山东大学）；University of Electronic Science and Technology of China（电子科技大学）；National University of Singapore（新加坡国立大学）
Using Large Language Models to Detect Socially Shared Regulation of Collaborative Learning
University of Pennsylvania（宾夕法尼亚大学）；Carnegie Mellon University（卡内基梅隆大学）；Vanderbilt University（范德堡大学）；University of Detroit Mercy（底特律默克大学）；New York University（纽约大学）
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
Reconstructing Content with Collaborative Attention for Universal Multimodal Representation Learning
State Key Laboratory of AI Safety（人工智能安全国家重点实验室）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Baidu Inc.（百度公司）
The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm
Institute of Information Engineering, CAS（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Computing Technology, CAS（中国科学院计算技术研究所）；Alibaba Group（阿里巴巴集团）；Sun Yat-sen University（中山大学）；Peng Cheng Laboratory（鹏城实验室）
协作度量学习（CML）最近成为推荐系统（RS）中的一种流行方法，缩小了度量学习和协作过滤之间的差距。遵循RS的惯例，现有的方法在其模型设计中利用唯一的用户表示。本文重点介绍了一个具有挑战性的情况下，用户有多个类别的利益。在这种情况下，我们认为，独特的用户表示可能会导致偏好偏差，特别是当项目类别分布不平衡。为了解决这个问题，我们提出了一种新的方法称为\textit{Diversity-Promoting Collaborative Metric Learning}（DPCML），希望考虑到通常被忽视的少数用户的利益。DPCML背后的关键思想是为系统中的每个用户包括多个表示集。基于此嵌入范式，用户对一个项目的偏好聚合从不同的嵌入之间的最小项目用户的距离用户嵌入集。此外，我们观察到，同一用户的嵌入的多样性在模型中也起着至关重要的作用。为此，我们提出了一个\textit{diversity control regularization}术语，以更好地适应多向量表示策略。从理论上讲，我们表明，DPCML可以很好地推广到看不见的测试数据，通过解决来自最小值的恼人的操作的挑战。在一系列基准数据集上的实验证明了DPCML的有效性。
Stability and Generalization of Hypergraph Collaborative Networks
Institute of Data Science, The University of Hong Kong（香港大学数据科学学院）；College of Information Science and Technology, Jinan University（暨南大学信息科学技术学院）；The University of Hong Kong（香港大学）
R&D department ALTECA（阿尔泰卡公司研发部门）；LIPN - CNRS UMR 7030 Sorbonne Paris Nord University（巴黎第十三大学（索邦巴黎北）法国国家科学研究中心UMR 7030实验室）；ETIS - CNRS UMR 8051 CY Cergy Paris University（CY塞尔吉-巴黎大学法国国家科学研究中心UMR 8051实验室）
COMET: Convolutional Dimension Interaction for Collaborative Filtering
Nanyang Technological University（南洋理工大学）；Stony Brook University（石溪大学）；The Institute of Cancer Research（英国癌症研究院）；University of Florida（佛罗里达大学）；Singapore Institute of Manufacturing Technology (SIMTech), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局（A*STAR）新加坡制造技术研究院（SIMTech））
Hybrid-Collaborative Augmentation and Contrastive Sample Adaptive-Differential Awareness for Robust Attributed Graph Clustering
College of Information Science and Technology, Beijing University of Chemical Technology（北京化工大学信息科学与技术学院）；Beijing University of Technology（北京工业大学）；The University of Sydney Business School, The University of Sydney（悉尼大学商学院）
Multi-view Graph Embedding with Hub Detection for Brain Network Analysis
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Shanghai Institute for Advanced Communication and Data Science, Fudan University（复旦大学上海先进通信与数据科学研究院）；Cornell University（康奈尔大学）；Northwestern University（西北大学）
A Novel TSK Fuzzy System Incorporating Multi-view Collaborative Transfer Learning for Personalized Epileptic EEG Detection
School of Artificial Intelligence and Computer Science, Jiangnan University and Engineering Research Center of Intelligent Technology for Healthcare, Ministry of Education（江南大学人工智能与计算机科学学院，智能医疗技术工程研究中心，教育部）；School of Computer and Information Engineering, Institute for Artificial Intelligence, Shanghai Polytechnic University（上海理工大学计算机与信息工程学院，人工智能研究院）；School of Internet of Things Engineering, Wuxi University（无锡大学物联网工程学院）
Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach
Shanghai Jiao Tong University（上海交通大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
Region Embedding with Intra and Inter-View Contrastive Learning
Nanyang Technological University（南洋理工大学）
无监督区域表示学习旨在从未标记的城市数据中提取密集有效的特征。虽然已经基于多个视图做出了一些努力来解决这个问题，但是现有方法在提取视图中的表示和/或合并来自不同视图的表示方面仍然不足。基于对比学习在表示学习中的成功，我们提出将其用于多视图区域表示学习，并设计了一个称为ReMVC（Region Embedding with Multi-View对比学习）的模型，该模型遵循两个指导原则：i）在每个视图中将区域与其他区域进行比较，以实现有效的表征提取; ii）在不同视图中将区域与自身进行比较，以实现跨视图信息共享。我们设计了视图内对比学习模块和视图间对比学习模块，前者用于学习不同的区域嵌入，后者作为软共正则化器来约束嵌入参数并在多视图间传递知识。我们在两个下游任务中利用学习到的区域嵌入，即土地使用聚类和区域流行度预测。大量的实验表明，我们的模型实现了令人印象深刻的改进相比，七个国家的最先进的基线方法，在土地利用聚类任务的利润率超过30%。
A Multimodal Single-Branch Embedding Network for Recommendation in Cold-Start and Missing Modality Scenarios
Institute of Computational Perception, Johannes Kepler University Linz（约翰开普勒林茨大学计算感知研究所）；Human-centered AI Group, AI Lab, Linz Institute of Technology（林茨理工大学人工智能实验室以人为中心的人工智能组）
