LOGS 第2022/07/09期 || 北京大学张牧涵：谱图神经网络有多强大？

图学习研讨会（LOGS）公众号会不定期地举行图学习相关的研讨会，邀请相关领域的专家，一线科研人员和顶会论文作者进行分享，希望能够给大家提供一个相互交流，研讨，和学习的平台。这一期我们邀请到了来北京大学张牧涵教授，他将为我们带来一期谱图神经网络的精彩报告。

报告时间	2022年7月9日 (星期六) 10:00  (北京时间)
主  题	How Powerful are Spectral Graph Neural Networks?  (谱图神经网络有多强大？)
报告嘉宾	张牧涵（北京大学）
主持人	周敏（华为诺亚方舟实验室）

报告嘉宾：张牧涵（北京大学）

报告题目：谱图神经网络有多强大

报告摘要：

谱图神经网络（Spectral GNN）是一种基于图信号滤波器的图神经网络，广泛应用于节点任务。大量知名的GNN可以归入谱GNN，比如ChebyNet、GCN、和BernNet，但是对谱GNN表达能力的分析一直相对欠缺。我们首先将谱GNN简化为线性GNN（Linear GNN），并证明了Linear GNN在温和条件下可以产生任意一维输出，间接给出了谱GNN的万能逼近定理。我们随后建立了谱GNN表达能力和Weisfeiler-Lehman Test之间的联系，后者常用于刻画消息传递图神经网络的表达能力。最后，我们分析了基选择的问题并提出了一种新的谱GNN－JacobiConv。JacobiConv使用Jacobi Basis，且仅使用线性层就达到了SOTA的性能。

参考文献：

Xiyuan Wang, Muhan Zhang, How Powerful are Spectral Graph Neural Networks,ICML 2022

https://arxiv.org/abs/2205.11172v2

Code: https://github.com/GraphPKU/JacobiConv

报告人简介：

张牧涵博士，北京大学人工智能研究院、智能学院助理教授，北京通用人工智能研究院研究员，国家优青（海外）项目获得者，北京大学博雅青年学者。2015年本科毕业于上海交通大学IEEE试点班，2019年于美国圣路易斯华盛顿大学获得计算机科学博士学位，2019-2021年期间曾担任Facebook AI研究科学家。在ICML，NeurIPS，ICLR，AAAI，KDD 等机器学习顶级会议发表论文15篇（其中一作11篇，通讯4篇）。入选清华大学AMiner评选的AI2000人工智能最具影响力学者。作为图神经网络的早期研究者，提出了多种经典算法，包括图分类的Sortpooling算法、链路预测的SEAL算法、矩阵补全的IGMC算法等，成果被多次写入图深度学习标准库。担任NeurIPS 2022 领域主席、ICML 2022领域主席、 IEEE BigData 2021副主席，并常年担任 NeurIPS、ICML、ICLR、AAAI、IJCAI和 JMLR、TPAMI、TNNLS、TKDE、TSP、AOAS、JAIR等顶级会议和期刊的审稿人。

在下方公众号回复：“logs”， 获取直播链接