Close

SMP数据挖掘论坛— 图神经网络 (GNN) 学术研讨会


发表日期:2019-08-21 作者:管理员

SMP数据挖掘论坛

 

图神经网络(GNN)学术研讨会 

2019823

安徽大学行知楼负一楼报告厅

 

安徽大学

计算机科学与技术学院

计算智能与信号处理教育部重点实验室

  

 

SMP数据挖掘论坛

 

图神经网络(GNN)学术研讨会

 

近年来,图神经网络Graph Neural NetworkGNN)针对图结构数据,通过递归聚合和转换相邻节点的特征向量来计算节点的表征向量,其对图中节点间的依赖关系以及节点附带的属性、文本和标签等信息的强大建模能力,使得图分析相关的研究领域取得了突破性进展。GNN已在社会网络分析、知识图谱、推荐系统、自然语言处理,甚至生命科学等领域,得到广泛应用,在节点分类、链接预测、图分类等任务中达到很好的效果,成为图结构数据的表征学习和分析的热点研究问题。

本次研讨会邀请到多位本领域顶级专家为我们介绍GNN的最新研究进展和未来发展趋势。

 

会议议程

安徽大学行知楼负一楼报告厅

日期

时间

内容

主持人

823

上午

9:30-9:40

领导致辞

赵姝 教授

9:40-10:30

题目:动态图神经网络及其在时序异常检测中的应用
特邀专家:杨洋副教授 浙江大学

仲红 教授、院长

10:35-11:25

题目:基于机器学习方法的知识跟踪
特邀专家:刘淇副教授 中国科学技术大学

赵姝 教授

823

下午

15:00-15:50

题目:知识图谱的表示学习
特邀专家:李涓子教授 清华大学

仲红 教授、院长

15:55-16:45

题目基于场景图的跨模态文本生成方法研究
特邀专家:魏忠钰副教授 复旦大学

张燕平 教授

 

 

报告主题:知识图谱的表示学习


 

特邀专家:李涓子教授(清华大学计算机科学与技术)


专家简介:

李涓子,教授,博士生导师。中国中文信息学会语言与知识计算专委会主任、中国计算机学会术语委员会执行委员。研究兴趣是语义 Web,新闻挖掘与跨语言知识图谱构建。多篇论文发表在重要国际会议(WWWIJCAISIGIRSIGKDD) 和学术期刊(TKDETKDD)。主持多项国家级、部委级和国际合作项目研究,包括国家自然科学项目重点,欧盟第七合作框架、新华社等项目。获得2013年人工智能学会科技进步一等奖,2013 年电子学会自然科学二等奖。 

报告主题:基于场景图的跨模态文本生成方法研究




特邀专家:魏忠钰副教授(复旦大学大数据学院)

报告摘要:

基于视觉信息的自动化文本生成是结合计算机视觉和自然语言处理的一个重要课题,有广阔的应用需求,包括新闻图像附带的标题生成、儿童教育中常见的看图说话以及社交媒体中用户相册相关的故事生成等。当前的主流模型采用卷积神经网络进行图片特征提取,并利用循环神经网络进行文本的生成。虽然现有的模型在自动化评价指标上取得了较大的提升,但缺少对视觉信息的细粒度建模,因而带来了生成的文本信息与视觉场景错位的问题。本次报告中,讲者将汇报他们基于场景理解进行跨模态文本生成的几个工作,包括基于图片自适应词汇表的文本生成方法,基于图片主题理解的故事生成方法以及基于场景图构建的故事生成方法。 

专家简介:

魏忠钰,复旦大学大数据学院副教授,香港中文大学博士,美国德州大学达拉斯分校博士后,中文信息学会社交媒体处理专委会通讯委员,中国中文信息学会青年工作委员会委员。主要研究领域为自然语言处理,机器学习和社会媒体处理,专注于自动化文本生成、论辩挖掘和交叉学科的应用研究,在相关领域在国际会议、期刊如CLACLSIGIREMNLPAAAIIJCAI, Bioinformatics等发表学术论文40余篇。担任多个重要的国际会议或者期刊评审。 

报告主题:动态图神经网络及其在时序异常检测中的应用


特邀专家:杨洋副教授(浙江大学计算机学院)

报告摘要:

时间序列模型旨在发现和捕捉数据发生动态演化的内在因素。现有工作大多假设这些内在因素互相独立,而忽略了它们互相之间的关联关系。在本次报告中,我将介绍一种动态图结构用于表示时间序列内在因子之间的演化关系,并在此基础上提出一个基于GNN的框架,即演化图神经网络(EvoNet)。该模型通过对局部状态之间的互相影响和长期记忆对状态的影响建模,来学习各个因子在时序演化上的表示。这些学习得到的表示可以应用于如时序分类等任务中。我将进一步介绍EvoNet模型的具体应用场景,如窃电用户检测、服务器进程监测、智能电表自动对时等。

专家简介:

杨洋,浙江大学计算机学院副教授、人工智能系主任、浙江省人工智能发展专家委员会秘书、拍拍贷-浙江大学人工智能联合研发中心副主任。2016年获清华大学计算机科学与技术专业博士学位,被授予中国电子学会优秀博士学位论文等荣誉。2012年访问美国康奈尔大学、图灵奖获得者John Hopcroft教授,2013年访问比利时鲁汶大学。主要研究兴趣为社交网络挖掘,具体包括网络异常检测、网络表示学习、计算社会学等,在KDDWWWAAAITOIS等国际顶级学术会议及期刊上发表论文30余篇,曾担任KDDWWWAAAICIKMWSDMICWSMASONAM等国际学术会议程序委员会委员。 

报告主题:基于机器学习方法的知识跟踪


特邀专家:刘淇副教授(中国科学技术大学计算机学院)

报告摘要:

在游戏、运动、教育等诸多领域,如何自动建模和跟踪参与者(如游戏玩家、运动员、学生)对特定技能的掌握水平是一类基础性的研究问题,对于智能匹配推荐、自动组队、自适应学习等智能服务有着重要的应用价值。然而,已有的认知诊断理论和模型大多建立在心理学或统计学基础之上,尽管建模过程和诊断结果具有较好的可解释性,但所使用的函数拟合性能力有限,而且对数据的格式有较强约束(例如,不能处理文本、图片等数据),限制了其应用与推广的范围。本报告将以教育领域为例,介绍从大规模异构学习数据中对学生进行认知诊断和知识跟踪的机器学习模型,以及基于学习者认知结构的自适应学习路径推荐方法。

专家简介:

刘淇,中国科学技术大学计算机学院副教授,中科院青促会优秀会员、中国人工智能学会机器学习专委会委员、中国计算机学会大数据专家委员会委员。主要研究数据挖掘与知识发现、机器学习方法及其应用,相关成果获得过IEEE ICDM 2011最佳研究论文奖、KDD 2018Research Track)最佳学生论文奖。还曾获中科院院长特别奖和优博,教育部自然科学一等奖(排名第2),入选了中国科协“青年人才托举工程”。主持和参与了多项国家、省部级以及与微软、科大讯飞、百度、腾讯等的合作研究项目。