图深度学习除了可以应用于标准图推理任务以外,还广泛应用于推荐、化学、疾病或药物预测、自然语言处理、计算机视觉、交通预测以及求解基于图的 NP 问题。
可见,基于图的深度学习不仅有助于挖掘现有图数据背后的丰富价值,而且还通过将关系数据自然地建模为图,有助于推进其他学科的发展,极大地扩大了基于图的深度学习的适用性,促使图的深度学习受到了广泛的欢迎。今天特地为大家整理了一些基于图深度学习的前沿工作~
CogDL:助力图机器学习的研究与应用
岑宇阔/嘉宾
清华大学计算机系博士生,师从唐杰教授。研究方向为图机器学习与推荐系统,以第一作者的身份在KDD/TKDE等国际知名会议和期刊上发表多篇论文。
2. 图神经网络模型基础
3. 前沿图神经网络研究介绍
4. 图机器学习工具包CogDL介绍
免费报名请添加微信
请备注关键词【图】
基于图神经网络为群体机器人构建信息分享机制
李庆标/嘉宾
英国剑桥大学计算机系Prorok Lab博士生(师从 Dr Amanda Prorok)。博士期间主要研究有意识进行信息交换的群体机器人运动规划算法。主要探索基于图神经网络(GNN)为群体智能以及群体机器人构建信息沟通频道,使得群体机器人之间可以学习如何更有效进行显性的信息交换。研究工作可以用于随需响应(mobility-on-demand systems), 自动化仓储物流,以及智慧城市。
硕士就读于在由杨广中教授和Ara Darzi爵士在帝国理工学院创立的Hamlyn Centre, 主要研究医疗机器人及医疗图像引导干预的现代医学技术。在Prof Daniel Elson的指导下,进行了为期八个月的关于用多光谱图像进行血氧饱和度估计的独立研究。在此加入Hamlyn Centre前,毕业于爱丁堡大学机械工程系。
Google Scholar:
https://scholar.google.com/citations?user=zyj2sIgAAAAJ&hl=en
Homepage:
https://qingbiaoli.github.io/
1. GNNs: from the concepts into its potential
2. Problem Formulation
3. Research work: GNN in MAPF
3.1 Motivation
3.1.1 Applications: why multi-robot path planning Existing challenges
3.2 Proposed Framework of Graph MAPF
3.3 Performance Evaluation Metrics
3.4 Results and Discussion of Graph MAPF
3.5 How to tackle redundant communication and communication overload in large-scale
3.5.1 system Message Aware Graph Attention neTworks (MAGAT)
3.6 Results and Discussion of MAGAT
3.7 GNN for multi-robot coordination from simulation into real-world experiment
1月12日(下周三)
免费报名请添加微信
请备注关键词【图】
图机器学习中的数据增强技术
赵通/嘉宾
曾担任众多知名会议(如KDD、NeurIPS、ICLR、AAAI等)及期刊(如TNNLS、TKDE等)的程序委员会委员和审稿人。The Machine Learning on Graph (MLoG) workshop (WSDM 2022)的组织者。
个人主页:
https://tzhao.io/
Google Scholar:
https://scholar.google.com/citations?user=05cRc-MAAAAJ
2. 用于节点分类任务的图数据增强技术
3. 用于链路预测任务的图数据增强技术
1月15日(下周六)
免费报名请添加微信
请备注关键词【图】