黄德双 教授(同济大学)学术报告通知:图表征学习
发布人:王健  发布时间:2021-12-04   浏览次数:459

报告人:黄德双

工作单位:同济大学

题目:图表征学习

时间:2021125日(周日)上午1100

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) Fellow2000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230SCI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。