报名倒计时 | 佐治亚理工宋乐团队"六人行": 超强大机器学习阵容！

在即将放送的「NeurIPS 2020群星闪耀云际会·机构专场」 第 ⑥ 弹，我们终于迎来了美国佐治亚理工学院机器学习团队！

北京时间12月13日(周日)上午9:00，佐治亚理工学院终身副教授—宋乐将携手团队小伙伴佐治亚理工学院在读博士生—陈昺弘、陈心诗、张庆儒、张驭宇，以及Google Brain研究科学家— 戴涵俊 与大家在云端相见，分享他们在NeurIPS 2020中的精彩工作。

上周末的活动回顾新鲜出炉啦！点击蓝字查看全部资源及精(搞)彩(笑)瞬间！

点击查看其他预告：

12月12日 9:00 田渊栋团队专场

12月13日 20:00 上海交大THINK Lab专场

一张图告诉你

活动信息

 ▼

福利预告：入群可参与会议讨论，

获取直播地址、回放视频、课件，

还有不定期红包发放哦~

 长按下图二维码即可报名

报名截止 至北京时间12月12日(周六)中午12点

嘉宾介绍

▼

宋     乐

# 佐治亚理工学院               

终身副教授

宋乐，佐治亚理工学院计算机学院终身副教授、机器学习中心副主任，主要研究方向为机器学习，尤其是非线性模型，包括核方法、深度学习和概率图形模型。

在2011年加入佐治亚理工学院之前，宋乐是卡内基梅隆大学机器学习系的博士后和谷歌的研究员，曾获得美国国家科学基金会第14届职业奖和多项最佳论文奖，包括NeurIPS第17届材料科学研讨会最佳论文奖、Recsys第16届深度学习研讨会最佳论文奖、AISTATS第16届最佳学生论文奖、IPDPS第15届最佳论文奖、NeurIPS 第13届优秀论文奖和ICML第10届最佳论文奖。

此外，在ICML、NIPS、AISTATS、AAAI和IJCAI等业内领先的机器学习和人工智能会议上，宋乐任区域主席和高级项目委员会成员。同时，他也担任JMLR和IEEE TPAMI的执行编辑。目前，宋乐还是国际机器学习大会ICML的董事会成员，掌管ICML最高级的组织架构。

个人主页：

https://www.cc.gatech.edu/~lsong/

陈 昺 弘

# 佐治亚理工学院                

在读博士生

陈昺弘，佐治亚理工学院机器学习实验室四年级博士生，师从宋乐教授。本科就读于清华大学计算机系，期间在朱军教授指导下从事统计学习方向的科研，曾获国家奖学金和优秀毕业生等荣誉。

目前，他的主要研究方向为强化学习、基于学习的搜索算法设计，以及神经网络符号化推理等。

陈昺弘曾以第一作者身份在 ICLR、ICML等国际顶会上发表多篇论文，提出基于强化学习的机器人路径规划算法、数据驱动的药物设计和逆合成搜索算法等多领域的state-of-the-art。

个人主页：

http://binghongchen.net/

陈 心 诗

# 佐治亚理工学院               

在读博士生

陈心诗，本硕毕业于香港中文大学数学系，现为佐治亚理工学院四年级博士生，专业是机器学习。

她的研究方向主要是深度学习与传统算法的结合、图神经网络，以及在生物、推荐系统方面的应用。她曾在美国橡树岭国家实验室、蚂蚁金服、Facebook AI等研究部门有过实习经历，目前她的研究由谷歌PhD奖学金资助。

个人主页：

http://xinshi-chen.com/

戴 涵 俊

# Google Brain                  

研究科学家

戴涵俊，Google Brain研究科学家。他博士毕业于佐治亚理工学院，导师为宋乐教授；本科毕业于复旦大学，指导老师为张军平教授。他的研究方向主要包括结构化数据上的深度学习、组合优化、生成模型，以及在化学、生物信息和编程语言方面的应用。

博士期间，戴涵俊曾在Amazon AI,、OpenAI和DeepMind等研究机构实习。他的研究成果曾获得AISTATS 2016最佳学生论文，以及Recsys 2016 Workshop on Deep learning for Recommender Systems和NeurIPS 2017 Workshop on Machine Learning for Molecules and Materials的最佳论文。

个人主页：

https://hanjun-dai.github.io/

张 庆 儒

# 佐治亚理工学院               

在读博士生

   

张庆儒，佐治亚理工学院机器学习组一年级博士生，师从宋乐教授，本科毕业于上海交通大学，指导老师为张伟楠教授。他的研究方向主要是图神经网络、优化理论、深度学习推理。他现在上海Amazon AI Lab实习，研究基于Bandit的图神经网络邻结点采样问题。

个人主页：

https://www.linkedin.com/in/qingru-zhang-4b789a187/

张 驭 宇

# 佐治亚理工学院              

在读博士生

张驭宇，佐治亚理工学院在读博士生，主要的研究方向是问答系统、神经网络推理和深度学习。他的工作发表于ACL、EMNLP、SIGKDD、NeurIPS、ICLR、SIGIR、AAAI等多个人工智能会议，曾在微软亚洲研究院、GoogleBrain、西门子研究院和亚马逊AWS NLP组实习。

个人主页：

https://sites.google.com/site/yuyuzhang90/*

NeurIPS 2020工作抢先看

▼

①

Retro*: 由神经网络引导的A*逆合成搜索算法

主讲人：陈昺弘

在本文，作者提出了一种由神经网络引导的A*逆合成搜索算法 (Retro*)。通过学习已有的药物分子合成路径，Retro*实现了基于与或图的高效搜索。 在USPTO数据集上的实验表明，和已有的算法相比，该方法的成功率，合成路径质量和效率均有显著提升。

论文链接：

https://proceedings.icml.cc/static/paper_files/icml/2020/5966-Paper.pdf

代码链接：

https://github.com/binghong-ml/retro_star

更多参考资料: 

https://icml.cc/virtual/2020/poster/6732

②

关于含推理层的混合型神经网络的理论分析

主讲人：陈心诗

深度学习与传统算法的结合，是最近一个广受关注的新话题。传统迭代算法可以解决很多复杂的推理任务，而这些算法可以用作神经网络中的特殊层，用于执行特定的推理任务。融合了算法层的神经网络可以用于处理更复杂的机器学习问题。

在很多实验型、应用型文章中，研究者们已经展示了把传统算法融入神经网络中的优势。但是对于这类混合型神经网络的特征和表现，目前还缺乏理论上的分析和理解。

在本文，我们 首次提供了对这种混合型神经网络的表达能力和泛化能力的分析。 此外，我们的分析与在实验中的观察结果非常吻合，表明 我们的理论可以帮助理解、设计混合型神经网络。

论文链接：

https://arxiv.org/pdf/2006.13401.pdf

更多参考资料: 

https://openreview.net/pdf?id=S1eALyrYDH

③

图算法的可微搜索

主讲人：戴涵俊

用图神经网络来学习一些已有的算法正受到越来越多的关注。但是这些工作大多忽略了两个重要的问题：算法的搜索空间，以及学得的算法的可解释性。

在本文提出的框架中，我们利用图的树分解来获得全局信息，从而增广算法的搜索空间，并通过离散的解释器来帮助理解学得的算法。 在一些NP完全问题上，我们的模型能有效学习到一些新的可解释的算法。

论文链接：

https://openreview.net/pdf?id=5UvvKsBTDcR

④

训练图神经网络的BanditSampler算法

主讲人：张庆儒

多种图神经网络的节点采样算法被不断提出，但由于计算最优采样分布的不可计算性，这些算法的分布多为次优的，而且无法应用到更为一般的图神经网络中，如GAT。这些问题的根本原因在于节点的嵌入向量是动态的，并且是部分可观察的，导致计算最优的方差缩减分布是不可行的。

在本文，我们 将上述采样方差的优化问题公式化为Bandit问题 ，其中reward与节点的嵌入向量相关。同时，我们 给出了理论上对最优方差的渐进式逼近分析，并在多个数据集上验证了算法的有效性。

论文链接：

https://arxiv.org/abs/2006.05806

⑤

基于问题的图神经网络在文本数值推理任务的应用

主讲人：张驭宇

文本数值推理任务要求同时完成自然语言处理和数值运算推理，而现有的神经阅读理解模型通常不具备数值推理的能力。 本文提出了一种基于问题的异构图神经网络构建方法，可驱动多步骤的文本数值推理任务。

论文链接：

https://arxiv.org/abs/2009.07448

扫描下方二维码或点击“阅读原文”

快来报名哇~

直播就在本周日！

注意事项

▼

1. 请保证所填信息的真实性和准确性，方便主办方进行审核；

2. 报名通过审核后将收到主办方的微信/邮件等通知，请保持手机和邮箱畅通；

3. 由于活动场次较多，主办方审核需要一定时间，请耐心等待~

4. 此报名表单仅指向“GT ML Lab专场”。

关于TechBeat社区

▼

TechBeat(www.techbeat.net)是一个荟聚全球华人AI精英的成长社区。

我们希望为AI人才打造更专业的服务和体验，加速并陪伴其学习成长。

期待这里可以成为你学习AI前沿知识的高地，分享自己最新工作的沃土，在AI进阶之路上的升级打怪的根据地！

更多详细介绍>>TechBeat，一个荟聚全球华人AI精英的学习成长社区

扫二维码｜关注我们

微信：thejiangmen

bp@thejiangmen.com

点击“❀在看”，让更多朋友们看到吧~