报告人：黄德双

工作单位：同济大学

题目：图表征学习

时间：2021年12月5日（周日）上午11：00

地点：南教114

个人介绍：

黄德双，博士，同济大学教授、博士生导师，中国科技大学兼职教授、博士生导师，IEEE Fellow，国际模式识别学会(IAPR) Fellow，2000年度中科院“百人计划”入选者，中国计算机学会生物信息学专业委员会副主任委员。长期从事神经网络、模式识别与生物信息学方面的研究，在国内外等学术期刊上发表了超过230篇SCI论文, H因子73；曾荣获教育部和安徽省自然科学一等奖各1项、人工智能学会科技进步一等奖奖1项；担任国家科技创新 2030—新一代人工智能重大项目“面向复杂数据处理的新型神经网络模型研究”项目首席专家；担任期刊IEEE/ACM Transactions on Computational Biology & Bioinformatics等杂志编委。

内容摘要：

图神经网络(GNN)在交通预测、推荐系统和计算机视觉等领域已取得了先进的性能。目前关于GNN的方法大多集中在图卷积上，而关于池化的研究较少。现有的图池方法大多基于Top-k节点选择，其中未选择的节点将直接丢弃，造成特征信息的丢失。在这种情况下，我们提出了一种新的图池算子，称为自适应聚类分层图池(Hierarchical graph pooling with Self- Adaptive Cluster Aggregation, hcp - saca)，它使用一种稀疏可微的方法来捕获图结构。在使用top-k进行集群选择之前，对未选择的集群进行n-hop聚合，并使用合并后的集群进行top-k选择，以便合并后的集群可以包含邻域集群，从而增强未选择的集群的功能。对多个数据集进行广泛的理论分析和实验验证后，结果表明，将现有的GNN体系结构与HGP-SACA相结合，可以在多个图分类基准上取得最先进的结果，证明了我们提出的模型的有效性。此外，我们还对动态图形感兴趣，这种随时间变化的图表目前很少被研究，这也是我们未来的工作。最后，我们指出了这方面的一些新的研究问题，并进行了综述。