赛题介绍与问题分析 AutoGraph 问题概述 自动化图表示学习挑战赛（AutoGraph）是有史以来第一个应用于图结构数据的 AutoML 挑战，是 AutoML 与 Graph Learning 两个前沿领域的结合。KDD Cup 算法 < 143 2020 中的 AutoML 赛道挑战，由第四范式、ChaLearn、斯坦福大学和 Google 提供。 图结构数据在现实世界中无处不在，例如社交网络、论文网络、知识图谱等。图表 因此，由于人类专家在调参过程需要付出大量时间和精力，进而限制了现有图表示 模型的应用。 AutoML[6] 是降低机器学习应用程序中人力成本的一种有效方法，并且在超参数调整、 模型选择、神经体系结构搜索和特征工程方面都取得了令人鼓舞的成绩。 为了使更多 的人和组织能够充分利用其图结构数据，KDD Cup 2020 AutoML 赛道举办了针对 图结构数据的 AutoGraph 竞赛。在这一竞赛中，参与者应设计一个解决方案来自动 稀疏图、带特征图 / 无特征图等。 ● 超短时间预算：大部分数据集的时间限制在 100s 左右，在图结构和参数的搜 索上需要有一个快速搜索的方案。 算法 < 147 ● 鲁棒性：在 AutoML 领域，鲁棒性是非常重要的一个因素，最后一次提交要求 选手在之前没见过的数据集上进行自动化建模。 竞赛技术方案 针对以上三个挑战，我们设计了一个自动化图学习框架，如下图 5 所示，我们对输入

YOLOv6 全面升级，更快更准的 2.0 版本来啦 13 通用目标检测开源框架 YOLOv6 在美团的量化部署实战 17 7 次 KDD Cup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架 37 图神经网络训练框架的实践和探索 66 图技术在美团外卖下的场景化应用及探索 83 大规模异构图召回在美团到店推荐广告的应用 102 美团搜索粗排优化的探索与实践 116 本文作者 庆源、李亮、奕铎、张勃、王新、祥祥等，来自美团基础研发平台数据科学与平台部和视觉智 能部。 算法 < 37 7 次 KDD Cup&Kaggle 冠军的经验分享： 从多领域优化到 AutoML 框架 作者：胡可 1. 背景与简介 反馈快速、竞争激烈的算法比赛是算法从业者提升技术水平的重要方式。从若干行业 核心问题中抽象出的算法比赛题目具有很强的实际意义，而比赛的实时积分榜促使参加 年左右开始，专注于互联网的热点推荐系统方面 问题，包括推荐、广告，行为预测等；第二阶段聚焦在传统行业问题，比较关注教育、环 境、医疗等领域；而在第三阶段，自 2019 年以来，重点关注非监督问题，例如 AutoML、 Debiasing、强化学习等问题，这类比赛的共同特点是通过以前方法难以解决现有的 新问题。这三个阶段趋势也一定程度反应着当前工业界与学术界的难点与重点，无论 从方式、方法，还是从问题