直播预告 | 北京大学张文涛：大规模图机器学习的可扩展性

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到北京大学-腾讯协同创新实验室博士生张文涛，为大家在线解读其发表在 NeurIPS 2021 的最新研究成果：Node Dependent Local Smoothing for Scalable Graph Learning。对本期主题感兴趣的小伙伴，12 月 14 日（本周二）晚 7 点，我们准时相约 PaperWeekly 直播间。

直播信息

图神经网络（GNN）已经成为解决图问题的重要算法，并受到了学术界和工业界的广泛关注。但在工业界的大规模数据集上使用 GNN 还是存在着以下两个问题：1）可扩展性低：受单机存储开销以及分布式通讯开销限制，大多数现有GNN算法很难部署在超大图上；2）灵活性差：大多数 GNN 强行约束非线性变换深度恒等于特征传播深度，也没有考虑节点的特异性。

我们提出节点自适应局部平滑（Node Dependent Local Smoothing，NDLS）来解决这两个问题。基于特征和标签平滑，NDLS 可以和任意机器学习模型组合（如 GNNs, 树模型和 MLP），并在模型预测性能、效率和可扩展性等方面都取得显著优势。

论文标题：

Node Dependent Local Smoothing for Scalable Graph Learning

论文链接：

https://arxiv.org/abs/2110.14377

本次分享的具体内容有：  

• 研究背景：大规模图学习

• 相关研究：分布式训练，图神经网络，图模型简化和图采样

• 提出的方法：NDLS [NeurIPS 21 Spotlight]

• 实验结果：指标对比，消融实验和可解释性

• 总结：优势分析和应用前景

嘉宾介绍

 张文涛 / 北京大学博士生 

张文涛，北京大学-腾讯协同创新实验室 2020 级博士研究生。他以第一作者在 SIGMOD、VLDB、KDD 和 NeurIPS 等刊物上发表了 10 余篇论文，也是分布式机器学习系统 Angel、自动化机器学习系统 MindWare 和黑盒优化系统 OpenBox 的开发者之一。在校期间，他曾连续三年获得北京大学国家奖学金和廖凯原奖学金、Apple PhD Fellowship（国内 1 人，全球 15 人），北京市三好学生和三好学生标兵等 10 多项奖学金和荣誉称号。

直播地址 & 交流群

本次直播将在 PaperWeekly 视频号和 B 站直播间进行，扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后，嘉宾还将在直播交流群内实时 QA，在 PaperWeekly 微信公众号后台回复「AI Drive」，即可获取入群通道。

视频号直播间：

扫描下方二维码关注 PaperWeekly 视频号，第一时间获取开播提醒。

B 站直播间：

https://live.bilibili.com/14884511

合作伙伴

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·