讲座题目

网络学习:算法、理论与应用:Learning From Networks: Algorithms, Theory, & Applications

讲座简介

可以说,这个宇宙中的每个实体都以某种方式联网。随着社会化媒体、生物网络等网络数据的普及,从网络中学习已经成为许多应用中必不可少的任务。众所周知,网络数据是复杂的、大规模的,对网络数据的分析任务也越来越复杂。在本教程中,我们系统地回顾了从网络学习的领域,包括算法、理论分析和示例应用。从快速回忆该地区激动人心的历史开始,我们制定了核心技术问题。然后介绍了基于特征选择的方法和基于网络嵌入的方法。接下来,我们将讨论扩展到属性网络,这在实践中很流行。最后,我们将介绍最新的热门话题,基于图神经的方法。对于每一组方法,我们还调查了相关的理论分析和实际应用实例。我们的教程还激发了一系列可能导致未来突破的开放性问题和挑战。作者是活跃在这一领域的多产且经验丰富的研究人员,代表了学术界和工业界的良好结合

讲座嘉宾

Xiao Huang,是德州农工大学计算机科学与工程系的博士生。2015年获伊利诺伊理工学院电气工程硕士学位,2012年获上海交通大学工程学士学位。他现在在数据实验室工作,由夏“本”胡博士监督。他的研究兴趣在于网络嵌入、属性网络分析和知识图与分析。他的工作已经被包括WSDM、KDD、AAAI、SDM、IJCAI、ICDM和TKDD在内的一些著名会议和期刊所接受。他是EASM 2018、KDD 2019、CIKM 2019的PC成员。他是2017年SDM会议主席,并在2017年SDM博士论坛上获得最佳海报亚军奖。他曾于2018年在美国百度(Baidu USA)和2019年在微软(Microsoft)担任实习生研究员。

成为VIP会员查看完整内容
2
0

相关内容

图神经网络 (GNN) 是一种连接模型,它通过图的节点之间的消息传递来捕捉图的依赖关系。与标准神经网络不同的是,图神经网络保留了一种状态,可以表示来自其邻域的具有任意深度的信息。近年来,图神经网络(GNN)在社交网络、知识图、推荐系统、问答系统甚至生命科学等各个领域得到了越来越广泛的应用。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
A Survey of Deep Learning for Scientific Discovery
Arxiv
28+阅读 · 2020年3月26日
Arxiv
22+阅读 · 2020年1月2日
Optimization for deep learning: theory and algorithms
Arxiv
88+阅读 · 2019年12月19日
Deep Learning for Deepfakes Creation and Detection
Arxiv
6+阅读 · 2019年9月25日
Arxiv
14+阅读 · 2018年8月30日
Arxiv
8+阅读 · 2018年5月15日
小贴士
相关VIP内容
相关论文
A Survey of Deep Learning for Scientific Discovery
Arxiv
28+阅读 · 2020年3月26日
Arxiv
22+阅读 · 2020年1月2日
Optimization for deep learning: theory and algorithms
Arxiv
88+阅读 · 2019年12月19日
Deep Learning for Deepfakes Creation and Detection
Arxiv
6+阅读 · 2019年9月25日
Arxiv
14+阅读 · 2018年8月30日
Arxiv
8+阅读 · 2018年5月15日
微信扫码咨询专知VIP会员