图机器学习

图机器学习以图数据为研究对象并将事物间的关联作为重点考虑因素，打破了传统机器学习独立同分布的基础假设，引发了新的学习理论和范式，目前已成为新一代人工智能研究的重要方向之一。近年来，国内外关于图机器学习的研究热情日益高涨，为了促进本领域学者的深入交流并激发对热点问题的新思考，本论坛邀请了国内图机器学习领域的知名学者，他们将分享有关基础理论、前沿算法及应用等方面的最新研究成果。

论坛主持人                                                                                                                                                                                      

主持人简介：李明，浙江师范大学教授、博士生导师，入选浙江省高校高层次拔尖人才、浙江省“钱江人才计划”特殊急需人才，浙师大“双龙学者”特聘教授，浙江全省智能教育技术与应用重点实验室副主任，主要研究方向包括图神经网络、图机器学习、智能教育技术与应用，目前担任Neural Networks、Applied Intelligence、Alexandria Engineering Journal、Network: Computation in Neural Systems、Soft Computing、Neural Processing Letter六个国际知名期刊副主编，曾任IEEE TNNLS  “Deep Neural Networks for Graphs: Theory, Models, Algorithms and Applications” 专刊首席特邀副主编。已发表论文70余篇，其中包括CCF A类期刊/会议如IEEE TPAMI，AI，IEEE TKDE、ICML，NeurIPS，IJCAI 论文10余篇，IEEE Trans.会刊论文10余篇，2篇论文入选ESI高被引（IEEE TPAMI/IEEE TCYB），主持国家级及省部级纵向项目7项（含省重点研发计划项目1项），作为合作单位项目负责人联合承担国自科联合基金重点项目1项，指导学生获“华为杯”第五届中国研究生人工智能创新大赛三等奖。

主持人简介：金弟，天津大学智算学部教授，博士生导师。一直从事图机器学习及其应用研究。在本领域顶刊顶会上发表论文 50 余篇，获CCF A类会议WWW 2021最佳论文奖亚军奖、国际数据挖掘顶会ICDM 2021最佳学生论文奖亚军奖，担任中科院一区SCI期刊Information Sciences、Neural Networks、Pattern Recognition编委，CCF A类会议IJCAI 程序委员会Board Member、IJCAI/AAAI高级PC。主持国家自然基金4项，获ACM中国天津新兴奖、中国商业联合会科技进步一等奖。

主持人简介：赵中英，山东科技大学计算机学院教授，博士生导师，CCF杰出会员，山东省泰山学者青年专家，山东省青创团队带头人，山东省优秀研究生指导教师、青岛市青年科技奖获得者。研究领域包括：图数据挖掘、人工智能等。作为负责人，主持国家自然科学基金面上项目、青年项目、国家自然科学基金重点项目子课题、以及省部级项目等十余项。在IEEE TKDE、IEEE TBD、IEEE TNNLS、IEEE TNSE、ACM TOMM等领域顶级期刊发表学术论文60余篇；研究成果得到IEEE Fellow等诸多学者的广泛认可与正面评价。近年来，获山东省科技进步一等奖、山东省高等学校科学技术奖二等奖、山东省人工智能自然科学奖一等奖等。指导研究生获“山东省优秀硕士学位论文”、“山东省研究生创新成果奖”、国家奖学金等。个人获“青岛市巾帼科研之星”、校级“青年五四奖章”、“优秀教师”、 “优秀青年”、“我心目中的好老师”、“三八红旗手”等荣誉称号。

报告1：图神经网络的下一个前沿                                                                                                                                                    

报告人简介：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、人工智能和大数据分析。近5年以第一作者或通讯作者在CCF A类期刊和会议发表论文60余篇，中英文专著五部，谷歌学术引用过万，连续入选爱思唯尔高被引学者；授权发明专利30余项，相关研究成果应用于阿里、蚂蚁、腾讯、华为、美团等公司。研究成果获得中国电子学会科技进步一等奖和北京市科学技术奖自然科学二等奖等奖励。

报告摘要：近年来，将神经网络应用到图数据，形成了图神经网络（即图学习）的研究热潮。图学习不仅成为人工智能的热点技术方向，而且广泛应用在电商、生物医药等众多领域。随着以ChatGPT为代表的大规模语言模型表现出通用人工智能的潜力，大语言模型改变了很多领域（如自然语言处理，计算机视觉）的研究范式，同样也对图学习方向的研究产生影响。本报告介绍面向大模型的图学习新范式“图基础模型”的概念、相关工作和我们在该方向的初步探索。

报告2：网络动力学基础模型                                                                                                                                                          

报告人简介：杨博，吉林大学唐敖庆卓越教授，计算机科学与技术学院、软件学院院长，符号计算与知识工程教育部重点实验室主任。入选国家级领军人才，享受政府特殊津贴专家，教育部新世纪优秀人才，宝钢优秀教师，中国高校计算机专业优秀教师奖励计划，斯坦福全球顶尖科学家。中国人工智能学会理事，中国人工智能学会知识工程与分布智能专委会副主任，中国计算机学会杰出会员，《软件学报》、《计算机研究与发展》、《计算机科学与探索》、Web Intelligence等国内外期刊编委。长期从事人工智能研究，目前的主要研究方向为图机器学习与图优化、复杂系统学习、神经符号系统、智能推荐系统等。主持科研项目30多项，包括科技部2030新一代人工智能重大项目，国家自然科学基金7项（含重点1项）。出版学术专著1部，译著1部。在 IEEE TPAMI、IEEE TKDE、IEEE TCYB、IEEE TNNLS、ACM TKDD、ACM TWEB、Science China、AAAI、NeurIPS、ICLR、CVPR、WWW、IJCAI、ICML、UbiComp、ICDM、COLING等期刊和会议上发表学术论文160多篇。获吉林省科技进步一等奖2项，吉林省自然科学二等奖1项，吴文俊人工智能自然科学二等奖1项。

报告摘要：本报告探索人工智能与复杂性科学的交叉融合，以建立复杂系统的智能建模理论与方法为目标，从科学的角度发现和理解流行病爆发、网络群体行为失控等复杂现象的形成与演化，兼顾表达能力和自适应性，有效融合先验知识，并支持非线性分析与调控决策。复杂系统智能建模的核心问题是如何建模与学习网络动力学机制。为了克服现有方法不具备小样本场景的自适应能力，我们提出了一种网络动力学基础模型，通过神经过程等方法建模大规模常微分方程组，提供网络动力学的统一表征方法。大量的模拟实验表明该基础模型即使面对稀疏、不规则采样、局部观测和具有噪声的情况，也能有效地应对新发网络动力学场景。我们还将该模型应用到传染病监控和网络群体认知等实际领域。

报告3：基于图的（量子）结构模式识别与机器学习                                                                                                                     

报告人简介：白璐，北京师范大学-人工智能学院教授，博导。国家优青，教育部国家优秀自费留学生奖获得者，百度全球高潜力“AI华人青年学者榜单”入选者，曾入选国际模式识别学会IAPR Newsletter下一代报道（全球每年4位青年学者）。2015年于英国约克大学（University of York, UK）获哲学博士学位，导师：Edwin R. Hancock教授（英国皇家工程院院士，IEEE/IAPR Fellow）长期从事基于图数据的结构模式识别与机器学习理论研究。累计发表国际权威期刊、会议论文超过100篇，包括：国际权威期刊TPAMI、TKDE、TNNLS、TCYB、PR、TITS、TGRS、TIM、Information Fusion，国际顶级会议ICML、IJCAI、ICDE、ECML-PKDD、ICDM、CIKM，以及基金委管理学部经济学A类期刊《中国工业经济》40余篇，4篇论文入选ESI高被引/热点（TPAMI/TNNLS/PR），2篇论文获国际模式识别学会IAPR“最佳科技论文奖（ICPR 2018）”与“Eduardo Caianiello最佳学生论文奖（ICIAP 2015）”，1篇论文获国际管理学重要会议IEEE IEEM 2019最佳论文提名与杰出论文奖。担任国际权威期刊PR、TNNLS编委，以及PR责任客座编辑与客座编辑。部分成果应用于科大讯飞、中国电信等企业实际业务，或形成报告被“国家发展和改革委员会”采纳。

报告摘要：图（Graph）是一种能够有效刻画事物间复杂关联关系的重要结构化数据，在自然科学与哲学社会科学诸多领域广泛存在。由于图是典型的非欧式空间数据，具有复杂的非规则结构，如何提出并发展可直接应用于图数据分析的结构模式识别与图机器学习算法是当前人工智能领域的研究热点。本报告梳理了结构模式识别与图机器学习过往近40年的发展脉络，介绍了课题组在图结构嵌入、图核函数、图神经网络，以及基于图的特征选择等具体方向的研究成果。着重阐述了如何将量子随机游走、信息论、热力学模型等理论融入至算法设计，以及相关算法在社交网络、生物信息学、计算机视觉、金融大数据等具体场景的分析与应用。

报告4：可解释图机器学习                                                                                                                                                             

报告人简介：谢思泓，香港科技大学（广州）人工智能学域长聘副教授，于2016年在伊利诺伊大学芝加哥分校获得博士学位，师从ACM/IEEE Fellow Philip S. Yu教授。此前于美国里海大学担任助理教授并于2023年升职副教授（终身教职）。主要研究可靠机器学习、以数据为中心的机器学习、强化学习及其应用。在顶级期刊和会议上发表论文约70篇，包括ICLR，KDD，UAI，ICDM，WWW，AAAI，IJCAI，WSDM，SDM，以及TKDE等，获得了超过2600次引用（h-index 20）。主持了超过100万美元的美国自然科学基金委科研项目，于2022年获得美国自然科学基金委（NSF）颁发的CAREER Award，于2024年获得腾讯微信犀牛鸟专项研究计划资助。正在或曾担任美国自然科学基金委的评审委员，并在NeurIPS、ICML、ICLR、KDD、AAAI、ICDM、SIGIR、SDM和TPAMI等会议和期刊中担任程序委员会委员或高级委员。2024年开始担任ACM SIGSPATIAL China执行委员。

报告摘要：图模型能为多种图数据建模并取得较高的预测精度，广泛应用于如金融、医疗健康、社交网络、知识工程等领域。由于图数据、模型、和相关算法复杂性，图模型的预测结果较难为最终用户理解、信任和采纳，从而导致图模型强大的建模和预测能力无法在关键决策场景中得到更广泛应用。该报告将探索概率图模型和图神经网络在静态和动态图数据上的可解释性。对于静态图数据，我们研究了概率图模型的逼近算法、公理化的节点结构贡献计算、以及基于用户问卷调查设计的多目标优化；对于动态图，我们研究了基于微分几何的动态图模型表达方法并设计了基于路径的解释算法，并在动态变化的图异常检测任务上，研究了数据层面和模型层面解释的鲁棒性。最后将展望未来图数据和模型在可解释性上的研究方向，如大模型与图数据的交互以及新的解释形式。

报告5：突破同质性限制的深度图神经网络                                                                                                                                    

报告人简介：何东晓，天津大学智能与计算学部教授、博士生导师。主要基于机器学习方法（概率图模型、深度学习及其融合）在图数据挖掘方面的研究，主持国家自然科学基金项目3项，国家重点研发课题1项，国防课题1项。在ICML、IJCAI、NeurIPS、AAAI、WWW 等CCF A 类会议以及TKDE、TNNLS、TCYB 等IEEE Trans 上发表长文50余篇，其中第一/通讯30余 篇，谷歌学术引用3015次，H因子32。以通讯作者指导学生获数据挖掘顶会ICDM21最佳学生论文奖亚军（获奖率4‰），以一作获全国社会媒体处理大会SMP2022最佳论文奖、《自动化学报》年度优秀论文奖。担任CCF A类会议NeurIPS 2024的Area Chair，以及AAAI2019, AAAI 2021, AAAI 2022, IJCAI2021等的Senior PC，入选百度学术发布的AI华人女性青年学者（全球80名）。

报告摘要：当前图神经网络在处理真实复杂图数据的时候存在“同质性限制”、过平滑以及标签难获得的问题，本报告针对图神经网络“同质性限制”的问题，介绍基于块建模对邻域信息进行分类传播聚合的新型图神经网络传播聚合机制，该新机制图神经网络在同配和异配网络上均取得较好的效果；针对图神经网络过平滑的问题，介绍由类别区分度引导的深层图神经网络，通过层间过滤、初始补偿以及全局优化等三阶段生成具备区分不同类别能力的节点表征；针对图数据标签难获得的问题，介绍无标签下利用边同质性判别机制自监督地捕获同质邻居构成采样标签的新对比学习方法，同时该方法进一步改进图对比学习在异配数据上的性能，通过图拓扑更新以消除异质噪音传播，使自监督编码器可以在同异配数据集上学习到良好的表征。