直播 | Interpretable and Trustworthy Graph Geometric Deep Learning

2022 年 11 月 2 日 图与推荐

周四(11月3日)早9点普渡大学的李攀教授(即将加盟Georgia Tech)带来北大-交大AI联合研讨会报告: Interpretable and Trustworthy Graph Geometric Deep Learning via Learnable Randomness Injection

报告人:

Prof. Pan Li

时 间:

2022/11/3 09:00 - 10:00

主持人:

王宇光 教授

Abstract:

Graph-structured data and point cloud data are ubiquitous across scientific fields. Geometric deep learning (GDL) has recently been widely applied to solve prediction tasks with such data. GDL models are often designed with complex equivariant structures to preserve geometric principles and are thus hardly interpretable. Moreover, GDL models also risk capturing spurious correlations between the input features and labels, which poses many concerns to scientists who aim to deploy these models in scientific analysis and experiments. In this talk, I will introduce our recent project on interpretable and trustworthy GDL models with applications with scientific data analysis. Our approach is based on a novel learnable randomness injection (LRI) mechanism, which is grounded by the information-bottleneck principle and can be applied to general GDL backbones. I will also introduce our recently established benchmarks with real-world applications in high energy physics and biochemistry to evaluate interpretable and trustworthy GDL models.

Biography:

Pan Li joined the Purdue CS department as an assistant professor since 2020 Fall and is going to join Georgia Tech ECE department since 2023 Spring. He researches interest lies broadly in the area of machine learning and optimization on graphs. His recent works include algorithms and analysis of graph neural networks, hypergraph spectral theory and optimization, applications of graph machine learning in physics and design automation.  Pan Li has got several awards including JPMorgan Faculty Award, Sony Faculty Innovation Award and Ross-Lynn Faculty Award.


登录查看更多
1

相关内容

【图与几何深度学习】Graph and geometric deep learning,49页ppt
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
144+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
90+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
99+阅读 · 2019年10月9日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
力荐! Xavier Bresson的GNN在线讲座1-6
图与推荐
0+阅读 · 2021年12月13日
讲座报名丨 ICML专场
THU数据派
0+阅读 · 2021年9月15日
KDD2021 | 最新GNN官方教程
机器学习与推荐算法
2+阅读 · 2021年8月18日
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
26+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
14+阅读 · 2019年4月13日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年12月30日
Arxiv
67+阅读 · 2022年9月7日
Arxiv
12+阅读 · 2021年7月26日
Arxiv
16+阅读 · 2018年2月7日
VIP会员
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
力荐! Xavier Bresson的GNN在线讲座1-6
图与推荐
0+阅读 · 2021年12月13日
讲座报名丨 ICML专场
THU数据派
0+阅读 · 2021年9月15日
KDD2021 | 最新GNN官方教程
机器学习与推荐算法
2+阅读 · 2021年8月18日
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
26+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
14+阅读 · 2019年4月13日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员