FedGraph2022 | 首届国际联邦图学习研讨会

2022 年 8 月 9 日 图与推荐

首届国际联邦图学习研讨会 – FedGraph2022

官方网站：https://sites.google.com/view/fedgraph2022

简介

图数据挖掘是AI领域的重要研究方向之一，近些年来，随着图神经网络（Graph Neural Networks）的发展，人们能够对真实的图数据进行大规模训练，从而挖掘有价值的信息以及训练出更优化的模型。然而，图神经网络的迭代机制使得其在大规模数据集上的训练需要消耗大量的时间和计算资源，同时，训练数据集的集中化存储对存储资源也有着较高的需求。除此之外，由于对数据隐私的关注，不同组织机构产生的内部数据往往被禁止向外传输。这些去中心化的数据存储以及数据隐私需求促生了一个新的分布式学习子领域，联邦学习（Federated Learning）。联邦学习旨在在保护用户数据隐私的情况下进行合作学习，从而达到用户间的信息共享，它为大规模的分布式图学习提供了一种有效的解决方法。

此次联邦图学习研讨会（FedGraph2022）旨在促进联邦图学习领域研究者们的合作交流，组织者们希望将有着不同背景的、对如何进一步发展联邦学习在图领域的研究有着强烈兴趣的学者们聚集到一起，加深交流，共同推进联邦图学习领域的发展。联邦学习在自然语言处理和计算机视觉领域已经取得了一定的成功，然而在图数据挖掘领域，它仍然面临着许多未被探索的挑战和机遇，因而，建立起联邦图学习的社群变得尤为重要。本次研讨会欢迎来自图数据挖掘以及联邦学习领域的研究者们的参与，投稿的研究方向包括（但不限于）图分析与挖掘（graph analysis and mining）、异质网络建模（heterogeneous network modeling）、复杂数据挖掘（complex data mining）、大规模机器学习（large-scale machine learning）、分布式系统（distributed systems）、优化（optimization）、元学习（meta-learning）、强化学习（reinforcement learning）、隐私（privacy）、鲁棒性（robustness）、可解释性（explainability）、公平（fairness）、伦理（ethics）、可信赖度（trustworthiness）。

最佳文章奖

此次研讨会将评选出2-3个提供现金奖励的最佳文章奖（$1000 each），并为部分与会者提供旅途经费。在此特别感谢金智塔（JZTData Technology）, 腾讯（Tencent）, FedML, 以及USC-Amazon Center的支持和赞助。

重要日期

文章提交：2022.08.15，11:59pm AoE
审稿意见通知：2022.09.15
刊印版提交：2022.10.15
研讨会日期：2022.10.21

提交指南

此次研讨会将接收不同类型的投稿，包括理论分析（theoretical analysis），算法研究和实现（algorithms and implementation），应用（applications），实验研究（empirical studies），和总结报告（reflection papers）。投稿的话题可包括（但不限于）：

在分布式图数据集上如何取得与中心化学习相近的模型表现；
如何处理图挖掘中复杂数据的关联性与异质性；
当分布式图数据要求大量用户交流时，如何规划用户数量；
如何通过图模型研究以达到减少用户交流或者压缩传输信息的目的，从而实现训练有效性；
如何在合作训练中严格保护用户图数据的隐私；
对实际的应用，例如知识图谱构建、推荐系统、医疗检测，如何适当地评估创新研究的图神经网络模型和联邦学习算法；
如何把联邦图学习中的概念和算法发展到更复杂的数据上，例如异质网络、时空网络、文本信息网络、多视角网络、点云、树、manifolds、和fractals；
如何将联邦学习算法与除图神经网络以外的图算法相结合，例如graph kernels、belief propagation、和spectral analysis；
如何基于图挖掘的原则和技术进一步提升现有联邦学习系统的优化；
如何在联邦图学习中保证公平性、伦理和可信赖度。

投稿的形式可包括（但不限于）：

创新的研究型文章（Novel research papers）；
演示型文章（Demo papers）；
Work-in-progress papers；
Visionary papers (white papers)；
Appraisal papers of existing methods and tools (e.g., lessons learned)；
Evaluatory papers which revisit validity of domain assumptions；
Relevant work that has been previously published；
Work that will be presented at the main conference。

为了方便审稿人更好的理解文章的主要贡献，投稿人需要在文章摘要中写明投稿形式。投稿必须是PDF格式，使用标准双栏ACM Proceedings Style，包含所有正文内容、图、表、引用文献、和附录在内不可超过10页，建议的Latex文本设置是\documentclass[sigconf, anonymous, review]{acmart}。

被接收的文章将会被发表在研讨会官方网站，不影响之后的再次投稿。高质量的被接收文章将有机会被邀请在IEEE Transactions on Neural Network and Learning Systems的专刊上发表（需要额外的审稿）。所有被接收的文章会以海报形式展出，高质量的被接收文章将另有机会参与oral/spotlight展示，并且获得最佳文章奖。

投稿网址：https://easychair.org/conferences/?conf=fedgraph2022

会议地址

本次研讨会将在美国亚特兰大举行，会议地址为：
The Westin Peachtree Plaza Hotel
210 Peachtree St NW, Atlanta, GA, USA 30303

演讲人（Invited Speakers）

Nicolas Papernot

Dr. Nicolas Papernot是多伦多大学电子与计算机工程系的助理教授，同时也是Vector Institute和Schwartz Reisman Institute的教职人员。他的研究方向主要是机器学习中的安全与隐私，他在差分隐私机器学习方向的工作获得了ICLR 2017最佳文章奖。Dr. Nicolas Papernot担任了IEEE S&P (Oakland) 的联合主席，以及NeurIPS的area chair。他博士毕业于宾州州立大学，师从Prof. Patrick McDaniel，毕业之际曾在Google Brain做过一年的research scientist。

Xing Xie

Dr. Xing Xie目前是微软亚洲研究院的senior principal research manager，中国科学技术大学的客座博士生导师。他于1996年和2001年从中国科学技术大学获得计算机本科和博士学位，并于2021年七月加入微软亚洲研究院，主要工作是数据挖掘以及social computing and ubiquitous computing。他发表过300余篇文章，曾获得过众多荣誉，例如ACM SIGKDD China 2021 test of time award、the 10-year impact award in ACM SIGSPATIAL 2019、 the best student paper award in KDD 2016、以及the best paper awards in ICDM 2013 and UIC 2010。

Bo Li

Dr. Bo Li是伊利诺伊大学香槟分校计算机系的助理教授。她获得的荣誉包括：the Symantec Research Labs Fellowship、 Rising Stars、 MIT Technology Review TR-35 award、 Intel Rising Star award、Amazon Research Awards、NSF CAREER Award，以及一些机器学习和安全会议的最佳文章奖。她的研究方向包括安全的理论和实践研究、机器学习、隐私、游戏理论、和可信赖的机器学习，并设计了几个可延展的鲁邦机器学习的框架和保护隐私的数据发布系统。她的工作曾被像Nature、Wired、Fortune和纽约时报之类的主流刊物和媒体报道。

Peter Kairouz

Dr. Peter Kairouz是谷歌的research scientist，他主要研究方向是联邦学习和隐私保护技术。在加入谷歌前，他曾是斯坦福大学的博士后研究学者。他博士毕业于伊利诺伊大学香槟分校电子与计算机工程系。他获得的荣誉包括：the 2012 Roberto Padovani Scholarship from Qualcomm's Research Center、the 2015 ACM SIGMETRICS Best Paper Award、the 2015 Qualcomm Innovation Fellowship Finalist Award、the 2016 Harold L. Olesen Award for Excellence in Undergraduate Teaching from UIUC。

Salman Avestimehr

Dr. Salman Avestimehr是南加州大学的Dean's Professor，南加大-亚马逊中心（USC-Amazon Center on Secure and Trusted Machine Learning (Trusted AI)）的inaugural director，同时也是亚马逊Alexa AI的Amazon Scholar。他于2005年和2008年从加州大学伯克利分校获得计算机硕士学位和电子工程博士学位。他的研究方向包括信息理论、大规模分布式计算和机器学习、安全和隐私计算/学习、以及联邦学习。Dr. Salman Avestimehr获得过的荣誉包括：the James L. Massey Research & Teaching Award from IEEE Information Theory Society、an Information Theory Society and Communication Society Joint Paper Award、a Presidential Early Career Award for Scientists and Engineers (PECASE) from the White House (President Obama)、a Young Investigator Program (YIP) award from the U. S. Air Force Office of Scientific Research、a National Science Foundation CAREER award、the David J. Sakrison Memorial Prize，以及一些会议的最佳文章奖。

Carl Yang

Dr. Carl Yang是埃默里大学的助理教授。他本科毕业于浙江大学计算机与工程系，后于2020年从伊利诺伊大学香槟分校获得计算机博士学位。他的研究方向包括图数据挖掘、应用机器学习、知识图谱、和联邦学习，以及它们在推荐系统、生物医学信息、神经科学和医疗健康领域的应用。他曾在包括TKDE、KDD、WWW、NeurIPS、ICML、ICLR、ICDE、SIGIR、ICDM的顶会上发表过文章，获得过ICDM（2020）和KDD Health Day（2022）最佳文章奖、Dissertation Completion Fellowship of UIUC（2020）、以及Dissertation Award Finalist of KDD（2021）。

组织者

Carl Yang, 美国埃默里大学
Xiaoxiao Li, University of British Columbia
Nathalie Baracaldo, IBM Research
Neil Shah, Snap Research
Chaoyang He, FedML Inc.
Lingjuan Lyu, Sony AI
Lichao Sun, 美国里海大学
Salman Avestimehr, 美国南加州大学