活动内容

图数据的分析在社交网络、知识图谱、推荐系统、生命科学和材料科学等领域具有广泛的应用。由于图数据自身所包含的复杂关系和节点之间的相互依赖,给现有的机器学习算法提出了重大挑战。图神经网络将深度学习方法拓展到图数据,在处理图域信息表现出了强大能力,成为目前广泛应用的一种图分析方法,促使图分析相关的研究领域取得了突破性进展。但是,图神经网络的发展仍然存在诸多开放性的问题,其科学问题、关键挑战、技术方案等还在不断演化,还有很大的研究空间。

第13期CSIG图像图形学科前沿讲习班(Advanced Lectures on Image and Graphics,简称IGAL)将于2019年11月16日-17日在清华大学举办,本期讲习班主题为“图神经网络”,围绕图神经网络的最新进展,介绍其在算法模型、典型应用和编程框架等方面相关工作。讲习班由清华大学朱军教授担任学术主任,邀请人工智能领域学术界与产业界的一线专家作特邀报告,使学员在了解学科前沿、提高学术水平的同时,增强与国内外顶尖学者的学术交流,了解产学研的发展动态发展趋势。

一.学术主任

朱军   清华大学教授

朱军是清华大学计算机系长聘教授,清华大学人工智能研究院基础理论研究中心主任(兼院长助理)。朱军教授入选首届MIT TR35中国区先锋者、国家“万人计划”青年拔尖人才计划,是IEEE Intelligent Systems国际权威杂志AI’s 10 to Watch奖(亚洲第二位)、中国计算机学会自然科学奖一等奖、中国计算机学会青年科学家奖、国家优秀青年科学基金、中创软件人才奖、ICME最佳论文奖、英伟达先锋研究奖、多个国际比赛冠军等的获得者。

朱军教授连续多年在多个著名国际刊物和会议担任重要职务,包括人工智能顶级期刊IEEE PAMI的副主编(大陆首位)以及顶级国际会议ICML、NIPS、IJCAI、AAAI的领域主席,曾受邀担任卡内基梅隆大学兼职教授。

二.报告嘉宾(按讲者姓氏拼音排序

崔鹏   清华大学长聘副教授

报告题目:Frontiers in Network Embedding and GCN

报告摘要:Nowadays, larger and larger, more and more sophisticated networks are used in more and more applications. It is well recognized that network data is sophisticated and challenging. To process graph data effectively, the first critical challenge is network data representation, that is, how to represent networks properly so that advanced analytic tasks, such as pattern discovery, analysis and prediction, can be conducted efficiently in both time and space. In this talk, I will introduce the recent trends and achievements on network embedding and GCN, including disentangled GCN, anti-attack GCN as well as auto machine learning for network embedding.

简介:崔鹏,清华大学计算机系长聘副教授,特别研究员,2010年于清华大学获得博士学位。研究兴趣包括大数据环境下的因果推理与稳定预测、网络表征学习、社会动力学建模,及其在金融科技、智慧医疗及社交网络等场景中的应用。已在数据挖掘及多媒体领域顶级国际期刊和会议上发表论文百余篇,并先后获得7项国际会议及期刊最佳论文奖,包括中国入选数据挖掘领域顶级国际会议KDD最佳论文专刊的首篇论文。目前担任IEEE TKDE、IEEE TBD、ACM TOMM、ACM TIST等国际顶级期刊的编委。获得中国计算机学会青年科学家奖,国际计算机协会(ACM)中国新星奖,并入选中国科协首届青年人才托举计划。获得国家自然科学二等奖(排名2)、教育部自然科学一等奖、北京市科技进步一等奖、中国电子学会自然科学一等奖。入选中组部万人计划青年拔尖人才,并当选为中国科协全国委员会委员。

石川  北京邮电大学教授

报告题目:异质图神经网络及其应用

报告摘要:神经网络在处理图像、语音、文本等具有较好空间结构的数据时展现出了很好的优势,但是不能直接应用于图(Graph)这类空间结构不规则的数据上。近年来,研究人员开始研究如何将神经网络应用到到图数据上,形成了图神经网络的研究热潮,并提出GCN、GraphSAGE、GAT等一系列方法。当前图神经网络主要针对由相同类型节点和边构成的同质图。然而,大量实际交互系统需要建模成由不同类型的节点和边构成的异质图。将神经网络应用于异质图将会有一些新的特点和挑战。本报告将介绍报告人近期在异质图神经网络方面的一些研究工作,以及在实际问题中的应用。

简介:石川,北京邮电大学计算机学院教授、博士研究生导师、智能通信软件与多媒体北京市重点实验室副主任。主要研究方向: 数据挖掘、机器学习、人工智能和演化计算。近五年来,作为第一作者或通信作者发表高水平学术论文50余篇,英文专著一部,包括数据挖掘领域的顶级期刊和会议IEEE TKDE、ACM TIST、KDD、AAAI、IJCAI、WWW等,相关研究成果应用到阿里巴巴、腾讯、华为等企业。获得ADMA2011/AMDA2018国际会议最佳论文奖、CCF-腾讯犀牛鸟基金及项目优秀奖,并指导学生获得顶尖国际数据挖掘竞赛IJCAI Contest 2015 全球冠军。获得北京市高等学校青年英才和师德先锋等称号。

唐杰   清华大学教授

报告题目:图神经网络 (GNN) 及认知推理

报告摘要:图神经网络将深度学习方法延伸到非欧几里得的图数据上,大大提高了图数据应用的精度。我将首先从算法角度分析当下经典的图表示学习算法(DeepWalk、LINE、node2vec等)的本质关系,并提出统一算法框架NetMF和大规模版本NetSMF,并在稀疏图理论的基础上提出高效快速学习算法ProNE,ProNE在精度不降低的情况下比传统学习算法快10-400倍的加速比。接着,我会简单回顾一下图卷积网络(GCN)并探讨如何提高GCN在图数据上的表示学习能力。我们研究发现几个巧妙、简单方法就可以有效的提高GCN的表示能力,该方法可以等价表示为图注意力网络(GAT)。该方法在包括阿里巴巴等多个超大规模数据集上得到应用验证。最后我将探讨在图神经网络基础上的认知推理模型CognitiveGraph (CogGraph)。CogGraph基于认知科学中的双通道认知理论,其中通道1负责直觉认知,通道二负责推理认知。CogGraph可以广泛应用于多个图数据上的任务,包括基于推理的问答、知识图谱补齐等。

简介:唐杰,清华大学计算机系教授、系副主任,获杰青。研究兴趣包括:数据挖掘、社交网络和知识图谱。发表论文200余篇,引用10000余次(个人h-指数59)。主持研发了研究者社会网络挖掘系统AMiner,吸引了220个国家/地区1000多万独立IP访问。曾担任国际期刊ACM TKDD的执行主编和国际会议CIKM’16、WSDM’15的PC Chair、KDD’18大会副主席。作为第1完成人获北京市科技进步一等奖、中国人工智能学会科技进步一等奖、KDD杰出贡献奖。

宋乐  佐治亚理工学院终身副教授

报告题目:Graph Neural Networks for Representation Learning and Symbolic Reasoning

报告摘要:Graphs and hypergraphs are prevalent in many real world applications arising from online social platforms, recommendation systems, knowledge bases, computational biology and materials science. How to represent such graph data to capture their similarities or differences? How to integrate graph data with other sources of data in representation learning? How to combine deep learning with symbolic reasoning? How to better design algorithms over graphs?
I will present a graph neural network framework for addressing these challenges based on the idea of embedding message passing algorithms into function spaces, and learning these algorithms from data. In large scale applications involving molecule design, recommendation system and knowledge reasoning, this graph neural network framework consistently achieves the-state-of-the-art results, in terms of accuracy, model size and scalability. Graph neural networks also appear to be a very good tool to advance AI to the next stage, which can combine deep learning with symbolic reasoning.

简介:Le Song is an Associate Professor in the Department of Computational Science and Engineering, College of Computing, an Associate Director of the Center for Machine Learning, Georgia Institute of Technology, and also a Principal Engineer of Ant Financial, Alibaba. He received his Ph.D. from University of Sydney in 2008, and then conducted his post-doctoral research in the Department of Machine Learning, Carnegie Mellon University, between 2008 and 2011. Before he joined Georgia Institute of Technology in 2011, he was a research scientist at Google. His principal research direction is machine learning, especially nonlinear models, such as kernel methods and deep learning, and probabilistic graphical models for large scale and complex problems, arising from artificial intelligence, network analysis, computational biology and other interdisciplinary domains. He is the recipient of the NIPS’17 Materials Science Workshop Best Paper Award, the Recsys’16 Deep Learning Workshop Best Paper Award, AISTATS'16 Best Student Paper Award, IPDPS'15 Best Paper Award, NSF CAREER Award’14, NIPS’13 Outstanding Paper Award, and ICML’10 Best Paper Award. He has also served as the area chair or senior program committee for many leading machine learning and AI conferences such as ICML, NeurIPS, AISTATS, AAAI and IJCAI, and the action editor for JMLR and IEEE TPAMI.

魏哲巍 中国人民大学教授

报告题目:图表示学习的理论基础

报告摘要:图数据作为非结构化数据中最重要的数据类型,具有很强的表示能力和广泛的应用。 近年来,针对图的表示学习逐渐受到重视。其思想是将图上的结构信息表示为向量,以方便各类机器学习算法使用。本讲座将从图表示学习的基础理论出发,对目前的图表示学习方法进行梳理。内容将覆盖当前主流的图表示学习算法,包括基于矩阵分解的方法、基于随机游走的算法、图神经网络等。

简介:魏哲巍,中国人民大学信息学院教授,博导。2008年于北京大学数学科学学院本科毕业,2012年于香港科技大学计算机科学及工程学系博士毕业。2012-2014年于丹麦奥胡思大学海量数据算法研究中心担任博士后研究员。2014年加入中国人民大学大学信息学院担任副教授,2019年晋升教授。近年来致力于大数据算法尤其是图算法的研究,在数据库与算法领域顶级会议及期刊(KDD、SIGMOD、VLDB、ICDE、ACM TODS、PODS、SODA、ACM TALG)发表论文30余篇。长期担任多个国际学术会议或者期刊评审,包括 SIGMOD、PODS、VLDB、ICDE、ACM TODS、VLDBJ、IEEE TKDE等。担任ACM SIGMOD/PODS2020会议论文集主席。现任中国计算机学会数据库专委会专委及数据库战略规划组成员。

严骏驰  上海交通大学长聘副教授

报告题目:Neural Graph Matching and Beyond

报告摘要:In this talk, I will first give a brief introduction on graph matching, which is a combinatorial problem in nature. Then I will show two deep network based pipelines for addressing the graph matching problem via deep learning. The models involves learning of the association based graph node embedding, cross-graph affinity learning, and a Sinkhorn layer for solving the linear assignment task etc. I will also discuss some works on joint matching and link prediction among two or multiple graphs. In the end, some discussion will be given on the future work and outlook for connecting graph matching with machine learning.

简介:严骏驰,现任上海交通大学计算机系与人工智能研究院长聘教轨副教授、特别研究员(博导),交大ACM班AI方向项目导师,主持国家自然基金面上/青年等多个项目,主要研究兴趣为机器学习,特别是图和时序信息的建模与学习。加入上海交大之前,任IBM中国研究院主管研究员(首席科学家)和复旦大学大数据学院校外导师,主导了多项大数据与人工智能技术在大型企业和政府创新应用项目的研发与落地,覆盖智能运维、智能质检等多个领域。发表CCFA类论文40余篇,授权美国发明专利10余项,连续两届被评为IBM全球发明大师,任IEEE TNNLS、Pattern Recognition等期刊责任客座编辑和IEEE ACCESS编委,中国图象图形学学会视觉大数据专委会副秘书长。曾任IBM美国沃森研究中心、日本国立情报学研究所等机构访问学者。严骏驰也是科学中国人杰出青年科学家奖和CCF优博的获得者。

杨红霞  阿里巴巴达资深算法专家

报告题目:超大规模图神经网络实践与挑战

报告摘要:越来越多的机器学习任务需要处理大型图数据集,这些数据集捕获了潜在数十亿元素之间的丰富而复杂的关系。图形神经网络(GNN)通过将图形数据转换为低维空间同时最大程度地保持结构和属性信息,并构建用于训练和推理的神经网络,成为解决图学习问题的有效方法。然而,提供有效的图存储和计算能力以促进GNN训练并实现新GNN算法的开发具有挑战性。在这个报告中,我们会分享最近在GNN上的一些进展,包括采样、多峰、动态、多层次等属性异构图,以及这些模型在各种业务场景,包括阿里巴巴电子商务平台的产品推荐和个性化搜索的效果。在内部的AliGraph平台上,对于亿级节点、百亿边的属性异构图,可以做到分钟级构图,毫秒级多跳采样,内置十余种业界主流采样算法,并与深度学习框架(PyTorch、TF)无缝对接,各种业务指标有大幅度显著提升。

简介:杨红霞, 美国杜克大学博士学位,原IBM全球研发中心Watson研究员,Yahoo!主任数据科学家,现任阿里巴巴资深算法专家,带领团队开发基于计算平台和搜索推荐的智能算法,稳定的支持了阿里巴巴搜索、广告等30几个核心BU和其业务场景。在顶级统计和机器学习国际学术期刊会议发表论文50余篇(包括JASA, ICML, ATSTATS, KDD, ICDM,CIKM和WWW等),美国专利9项,任职 Applied Stochastic Models in Business and Industry副主编,International Statistical Institute理事,中国电子学会青年科学家俱乐部理事,浙江省千人计划专家,2019世界人工智能大会最高奖项卓越人工智能引领者(Super AI Leader,简称SAIL奖)获得者。

张峥  亚马逊云上海人工智能研究院院长

报告题目:DGL: 易用,快速,灵活的深度图学习框架

报告摘要:Deep graph learning is a trending research topic undergoing rapid development. This accelerating field requires new tools. Such systems should support graph as the core abstraction and take care to maintain both forward (i.e. supporting new research ideas) and backward (i.e. integration with existing components) compatibility. In this talk, we will first introduce deep graph learning and its basic properties. Next, we’ll introduce Deep Graph Library (DGL), a fast, scalable, flexible and easy-to-use toolkit as the solution for deep graph learning. Finally, we will cover some of its applications in multiple tasks, including computer vision, natural language processing, recommender system, knowledge graph.

简介:张峥教授现任亚马逊云上海人工智能研究院院长,上海纽约大学计算机系终身教授,纽约大学库朗数学研究所、计算机系、数据学院兼职教授。他曾任惠普中央研究院研究员,微软亚洲研究院系统研究方向创始人、首席研究员、副院长。张峥的主要研究领域为深度学习和人工智能、高性能大容量计算和存储系统。张峥也是开源深度学习平台 MXNet 的共同创始人和顾问。在 2018 年 12 月,张峥等人开源了 DGL,这是一款面向图神经网络和图机器学习的全新框架。

三.活动日程

四.注意事项

1. 本期讲习班限报300人,根据缴费先后顺序录取,报满为止。

2. 2019年11月15日(含)前注册并缴费:CSIG会员1600元/人,非会员报名同时加入CSIG 2000元/人(含1年会员费);同一单位组团(5人及以上)报名,均按CSIG会员标准缴费;现场注册:会员、非会员均为3000元/人;CSIG团体会员参加,按CSIG会员标准缴费。

3. 注册费包括讲课资料和2天会议期间午餐,其它食宿、交通自理。

五.报名方式

登录系统:http://conf.csig.org.cn/fair/366 或扫描下方二维码即可在线报名缴费。

活动信息
·主办方

中国图象图形学学会

·承办方

清华大学,深蓝学院

·时   间

2019-11-16 08:00 - 开始

2019-11-17 17:00 - 结束

·地   点

清华大学罗姆楼三层

·电   话

010-82544676

17812762235

·邮   箱

igal@csig.org.cn

·限   报

300人