微信里点“发现”，扫一下
二维码便可将本文分享至朋友圈
演讲摘要：衡量对象之间的相似程度是机器学习、信息检索、模式识别、数据挖掘等领域的基础问题，也是核心问题。而图提供了一种优美而强大的数据结构来刻画对象之间的关系。过去的几年里，面向图结构数据的GNN吸引了广泛的兴趣。但是，在许多情况下，我们没有图可用，或者最初的图的质量是无法保证的，并不总是适合于下游任务，其中可能包含对学习任务无关、甚至有误导性的关联信息，导致分类、聚类、链路预测等性能不佳。在这种情况下，仍然可以应用图深度学习吗？本报告介绍从各种复杂场景中，包括异质图、多视图、大尺度数据，无监督地推断潜在图结构的方法，从而拓展传统数据分析的手段。
讲者简介：康昭，电子科技大学副教授，美国南伊利诺伊大学博士，四川省“千人计划”特聘专家，全球高潜力AI华人青年学者百强和全球Top 2%顶尖科学家，获教育部/四川省科技进步一等奖。主要研究图机器学习、NLP。已发表ICML，NeurIPS，AAAI，IEEE TCyb/TIP/TKDE等 CCF-A类和中科院1区论文30余篇，ESI前1%高被引论文7篇，谷歌学术引用4000余次，H-index 37。成果被深度学习三巨头之一的Yann LeCun等国际顶尖科学家引用。主持军科委、国防科工局、自然基金多项 (重点)项目。AAAI 2024/2022领域主席。
CCF第38届中国计算机应用大会
[专题论坛]大规模图存储与图应用
京公网安备11010802032778号