报告人：黄德双

报告题目：图表示学习的概述和进展

报告时间：2022年7月27日 15:30

报告地点：腾讯会议934-807-735

报告摘要：图神经网络在交通预测、推荐系统和计算机视觉等领域取得了良好的性能。近年来，大多数GNN方法侧重于图卷积，而关于池的工作较少。现有的图池方法大多基于Top-k节点选择，未选择的节点将被直接丢弃，导致特征信息丢失。在这种情况下，我们提出了一种新的图池算子，称为具有自适应聚类聚合的分层图池（HGP-SACA），该算子使用稀疏和可微的方法来捕获图结构。在使用top-k进行聚类选择之前，未选择的聚类通过n跳聚合，合并的聚类用于top-k选择，因此合并的聚类可以包含邻域聚类，从而增强未选择的聚类的功能。这可以增强未选择簇的功能。通过对多个数据集的广泛理论分析和实验验证，我们的实验结果表明，将现有GNN架构与HGP-SACA相结合可以在多个图形分类基准上实现最先进的结果，这证明了我们提出的模型的有效性。此外，我们还介绍了我们的最新工作，即具有自适应多尺度拓扑学习和节点选择的分层图池。

讲者简介：黄德双，同济大学教授，博士生导师, 中国科学技术大学兼职教授与博士生导师， IEEE Fellow，国际模式识别学会(IAPR) Fellow，亚太人工智能学会(AAIA) Fellow，纽约科学院Active Member，2000年度中科院“百人计划”入选者。国家新一代人工智能重大项目首席科学家(主持人)，国家自然科学基金委第十四届专家评审组成员，国家杰青、优青函评与会评专家；国家科技部重点研发计划、国家奖会评与函评专家。中国生物信息学学会（筹）生物医学数据挖掘与计算专委会主任（2021-），中国计算机学会生物信息学专业委员会副主任委员（2019-）。获教育部自然科学一等奖一项（排名第一），安徽省自然科学一等奖一项（排名第一），获中国人工智能学会吴文俊科技进步一等奖一项（排名第一），2014-2021年度爱思唯尔（Elsevier）Scopus高被引学者（计算机科学卷）。Google Scholar引用20080余次，H因子76。