We present, GEM, the first heterogeneous graph neural network approach for detecting malicious accounts at Alipay, one of the world's leading mobile cashless payment platform. Our approach, inspired from a connected subgraph approach, adaptively learns discriminative embeddings from heterogeneous account-device graphs based on two fundamental weaknesses of attackers, i.e. device aggregation and activity aggregation. For the heterogeneous graph consists of various types of nodes, we propose an attention mechanism to learn the importance of different types of nodes, while using the sum operator for modeling the aggregation patterns of nodes in each type. Experiments show that our approaches consistently perform promising results compared with competitive methods over time.

We present, GeniePath, a scalable approach for learning adaptive receptive fields of neural networks defined on permutation invariant graph data. In GeniePath, we propose an adaptive path layer consists of two complementary functions designed for breadth and depth exploration respectively, where the former learns the importance of different sized neighborhoods, while the latter extracts and filters signals aggregated from neighbors of different hops away. Our method works in both transductive and inductive settings, and extensive experiments compared with competitive methods show that our approaches yield state-of-the-art results on large graphs.

The drive to be able to implement cutting edge information technologies as a competitive advantage has contributed to a frenzy in digital transformation initiatives across several industries including academia. Service offerings of digital transformations have become universal, examples being Blackboard LMS, Netflix, and Uber, especially since the advent of cloud computing. Previous research by Enterprise Management Associates (EMA™) confirms there is not a lot of research available on CMDB, and this work fills that void. The scope of this work includes a review of three major digital transformation case studies. We provide a comprehensive use case of how the Configuration Management Database (CMDB) process plays a key role in digital transformation projects. We outline instances of how enterprises can utilize the CMDB as a driver for digital transformation projects. We also propose CMDB tools and techniques that are most suitable to increase successful digital transformation projects’ implementation within academia and other industries, hence translating to a better ROI. The goal of the paper is to enhance the available information on CMDB as a core ITIL process that supports digital transformation. This is achieved by providing a comprehensive analysis of existing data and linking CMDB and digital transformation.

XIAOLONG LIWe investigate the curvature operator of the second kind on product Riemannian manifolds and obtain some optimal rigidity results.For instance, we prove that the universal cover of an n-dimensional nonflat complete locally reducible Riemannian manifold with n+ n-2 n -nonnegative (respectively, n+ n-2 n -nonpositive) curvature operator of the second kind must be isometric to ‫ޓ‬ n-1 × ‫ޒ‬ (respectively, ‫ވ‬ n-1 × ‫)ޒ‬ up to scaling.We also prove analogous optimal rigidity results for ‫ޓ‬ n 1 × ‫ޓ‬ n 2 and ‫ވ‬ n 1 × ‫ވ‬ n 2 , n 1 , n 2 ≥ 2, among product Riemannian manifolds, as well as for ‫ސރ‬ m 1 × ‫ސރ‬ m 2 and ‫ވރ‬ m 1 × ‫ވރ‬ m 2 , m 1 , m 2 ≥ 1, among product Kähler manifolds.The approach is pointwise and algebraic.

Hyperaccumulators are the material basis and key to the phytoremediation of heavy metal contaminated soils. Conventional methods for screening hyperaccumulators are highly dependent on the time- and labor-consuming sampling and chemical analysis. In this study, a novel spectral approach assisted with multi-task deep learning was proposed to streamline accumulating ecotype screening, heavy metal stress discrimination, and heavy metals quantification in plants. The significant Cd/Zn co-hyperaccumulator Sedum alfredii and its non-accumulating ecotype were stressed by Cd, Zn, and Pb. Spectral images of leaves were rapidly acquired by hyperspectral imaging. The self-designed deep learning architecture was composed of a shallow network (ENet) for accumulating ecotype identification, and a multi-task network (HMNet) for heavy metal stress type and accumulation prediction simultaneously. To further assess the robustness of the networks, they were compared with conventional machine learning models (i.e., partial least squares (PLS) and support vector machine (SVM)) on a series of evaluation metrics of classification, multi-label classification, and regression. S. alfredii with heavy metals accumulation capability was identified by ENet with 100 % accuracy. HMNet reduced overfitting and outperformed machine learning models with the average exact match ratio (EMR) of heavy metal stress discrimination increased by 7.46 %, and residual prediction deviations (RPD) of heavy metal concentrations prediction increased by 53.59 %. The method succeeded in rapidly and accurately discriminating heavy metal stress with EMRs over 91 % and accuracies over 96 %, and in predicting heavy metals accumulation with an average RPD of 3.29 for Zn, 2.57 for Cd, and 2.53 for Pb, indicating the satisfactory practicability and potential for sensing heavy metals accumulation. This study provides a relatively novel spectral method to facilitate hyperaccumulator screening and heavy metals accumulation prediction in the phytoremediation process.