点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

5月24日14:00，本期我们邀请到AAAI的八位学者给大家带来精彩的分享！

5月24日 14:00-14:30

张载熙：

中国科学技术大学计算机学院博士生，师从刘淇教授。他的主要研究方向包括图表示学习，机器学习安全与隐私，分子属性预测与生成等。他以第一作者在NeurIPS，AAAI，IJCAI等学术会议发表多篇论文。

分享内容：

ProtGNN: 具有内在可解释性的图神经网络

报告简介：

虽然图神经网络近年来在图数据挖掘领域取得了广泛的成功，如何解释图神经网络的预测结果仍然具有挑战。目前的可解释图神经网络主要聚焦于事后解释（post-hoc explanations）。这需要使用另外一个解释模型或方法给出一个训练好的图神经网络的解释。然而这种事后解释的方法难以真实反映图网络真实的推理过程，因此我们需要具有内在可解释性（built-in interpretability）的图神经网络。在本工作中，我们将原型学习（prototype learning）与图神经网络结合，提出了ProtGNN，是一种具有内在可解释性的图神经网络。在ProtGNN中，预测的解释由基于例子的推理过程自然产生，并且相关解释也被用于预测。预测的结果由在隐空间中比较输入图和原型得到。我们在多个数据集上验证了ProtGNN的效果，并且做了相关的案例分析。实验结果表明，ProtGNN可以在不损失预测准确度的前提下，提供内在可解释性。

5月24日 14:30-15:00

林梓楠：

美国卡内基梅隆大学博士生，本科毕业于清华大学（连续三年获得国家奖学金）。主要研究方向为生成模型的基础理论，及生成模型在网络、系统、安全、隐私上的应用。相关工作发表于NeurIPS（Spotlight奖），ICML，AISTATS，AAAI，IMC（最佳论文候选），SIGCOMM等。主页：http://zinanlin.me/

分享内容：

基于GAN的稀有样本生成

报告简介：

在实际应用中，我们经常需要稀有类别的样本。例如，在安全领域，系统设计人员希望获得具有攻击功能的数据包来修补漏洞；在系统和网络领域，维护人员希望获得能使系统性能下降的数据包来测试系统；在机器学习领域，稀有类别的图像可以用于调试机器学习算法。在本工作中，我们提出了RareGAN，一个基于生成对抗网络(Generative Adversarial Networks, GANs)的稀有样本生成算法。实验表明，RareGAN具有很好的通用性：它能被广泛地用于上述安全、系统、网络、机器学习的应用中。同时，RareGAN具有很好的效果：相比之前最先进的针对DNS放大攻击的漏洞挖掘算法，RareGAN在花费更少的DNS请求的情况下能达到更好的攻击样本覆盖度。

5月24日 15:00-15:30

陈使明：

华中科技大学2019级博士生。他的主要研究方向是生成建模与学习，零样本学习。以第一作者在NeurIPS / CVPR/ ICCV/ AAAI / IJCAI等会议上发表多篇论文，并多次担任 CVPR / ICCV / ECCV / AAAI/ IJCAI 等会议审稿人。

分享内容：

基于属性指导Transformer的零样本学习

报告简介：

零样本学习（zero-shot learning, ZSL）旨在从已知类学习知识去认知未知类知识，在现实生活中具有广大的应用前景。为实现从已知类到未知类的知识迁移，通常依托于额外易获取的信息（例如，属性描述）。为此，ZSL的关键是有效的表示视觉和属性语义之间的映射关系。当前ZSL方法尝试使用注意力机制去学习属性相关的视觉信息，但仍不能有效地学习具有高迁移性和泛化性的属性定位视觉特征。本文提出基于属性指导的Transformer的零样本学习方法（TransZero）有效地进行属性定位，并用于表示属性增强的视觉特征，从而促进视觉和语义的交互，提高ZSL识别效果。

5月24日 15:30-16:00

曾雨诗：

华南理工大学2020级在读硕士生， 导师为蔡毅教授，研究方向包括信息提取、知识图谱、情感分析等，本篇为第一篇工作。

分享内容：

基于知识融合的跨领域细粒度情感分析

报告简介：

细粒度情感分析旨在提取方面术语并识别每个提取的方面术语的情感极性，不同于基于整个句子或者文本的粗力度，细粒度是针对句子中的属性和功能具体分析其表达的情感是正面的还是负面的，或者是中立。现阶段的跨领域的细粒度情感分析中，由于文本表达和句法具有多样性和复杂性，以往采用领域共享的语法知识在领域迁移时往往缺乏泛化性，从而带来的语法迁移错误问题。针对这个问题，我们提出利用常识知识增强的方法，提出了一个包含域共享关系结构的的跨域 ABSA 模型（RSKGM），通过学习和融合领域共享的常识关系结构特征和语法结构特征来缩小同一分布空间内的不同领域的领域差异，从而来缓解领域迁移错误问题。相比于以往采用语法知识的模型，RSKGM分别在情感分析任务和其子任务方面抽取任务中能达到更好的效果，即能资源较少的目标领域具有较强的适应性，从而提高目标领域的方面抽取以及情感分析的预测效果。

5月24日 16:00-16:30

孙菱：

西安交通大学2019级直博生，师从饶元教授。主要研究方向为面向社交媒体的信息传播建模、虚假信息检测及干预方法，相关工作发表在AAAI、IJCAI、ACL等国际会议。

分享内容：

基于序列超图神经网络的信息扩散预测

报告简介：

扩散级联预测是理解信息在社交网络上传播的关键。大多数方法通常集中在单个级联中受感染用户的顺序或结构上，因此忽略了全局用户和级联的依赖性，限制了预测性能。而当前引入社交网络的策略只能获取到用户之间的社会同质性，不足以描述他们的偏好。为了解决上述问题，我们提出了一种新的信息扩散预测方法，名为记忆增强序列超图注意网络（MS-HGAT）。具体来说，在学习用户全局依赖方面，我们不仅利用他们的友谊关系，也考虑他们在级联层面的交互关系。此外，为了动态捕获用户的偏好，我们将扩散超图分为基于时间戳的一系列子图，构建超图注意力网络来学习序列超图，并利用门控融合策略将其连接起来。此外，还提出了一个记忆增强的嵌入查找模块，用于将学习到的用户表示捕获到特定的级联嵌入空间上，从而突出级联内部的序列信息。

5月24日 16:30-17:00

李双利：

中国科学技术大学2021级在读博士生， 导师为熊辉教授，研究方向包括时空数据挖掘、几何深度图学习、图表征学习等，相关工作发表在KDD，AAAI，SIGIR等会议。

分享内容：

基于几何图对比学习的分子性质预测

报告简介：

现阶段大多数图对比学习（GCL）方法专注于对一般图网提出新的数据增强策略。然而，分子图上的增强方法（如随机微扰）可能会改变分子的基本性质，并且目前的GCL框架几乎都忽略了分子的几何信息。为此，我们提出了一种新的图对比学习方法GeomGCL，该方法充分学习了分子在二维和三维视图中的几何结构。具体来说，我们首先提出了一个双视图几何信息传递网络（GeomMPNN），自适应地学习分子的二维和三维图的空间信息，在不同层次上融合几何性质可以极大地促进分子表征的学习，进一步提出了几何图对比学习框架，两个几何视图互相协同监督提高GeomMPNN的泛化能力。实验结果证明了GeomGCL在七个真实分子数据集上的有效性。

5月24日 17:00-17:30

路畅：

美国史蒂文斯理工学院的2019级博士生，现就读计算机科学专业。他的主要研究方向是深度学习在医疗领域的应用，包括时序临床事件的预测、针对病人和医学概念的表征学习、以及医疗数据的生成等。相关工作发表在AAAI、IJCAI等会议以及IEEE Trans. On Cybernetics等期刊。

分享内容：

基于动态图模型和上下文感知的临床事件预测

报告简介：

随着电子健康档案（Electronic Health Records, EHR）或电子病历在医疗系统中的应用，使用深度学习预测临床事件逐渐受到学者们的关注。在预测临床事件时，电子病历数据中一个被人们常用且重要的特征是病人被诊断的疾病数据。现有的方法将每个诊断作为一个独立的疾病输入到模型中，却没有考虑疾病之间的医学关联。其次，很多利用疾病表征的方法针对病人的每次就诊使用静态的疾病表征。然而在实际应用中，病人的诊断通常存在相关性，如并发症等。此外，同一个疾病在病人的不同就诊中可能存在动态特征，如症状严重程度等。因此，为有效探索疾病的相关性及其动态特征，我们提出了基于动态图模型和上下文感知的预测模型。具体而言，我们使用全部数据为疾病构建全局的共现图。对于病人的每次就诊，我们为其构建局部的上下文子图。其次，我们基于诊断出现的特征将一次就诊的诊断分为三种类别，并设计了三种转移方程来建模疾病的动态特征。实验证明我们的预测模型在预测病人未来全部诊断和未来心脏病的诊断中由于目前临床事件预测的顶级模型。

5月24日 17:30-18:00

张赛骞：

博士毕业于美国哈佛大学，师从美国工程院院士H.T. Kung教授。本人目前在哈佛大学从事博士后研究员工作，导师是世界著名计算机体系架构专家David Brooks和Gu-Yeon Wei教授。张赛骞博士主要研究方向包括人工智能算法和硬件加速的协同设计，强化学习，及网络分布式系统。在就读博士期间，以第一作者的身份在国际顶级会议ASPLOS, HPCA, NeurIPS, AAAI, SC 上发表了多篇文章。

分享内容：

一种基于多智能体强化学习的

联邦学习用户选取算法

报告简介：

联邦学习 (Federated Learning) 是面向多客户端的模型训练方法。在训练的过程中，用户会通过本地的数据来训练神经网络，训练好的神经网络梯度会传递到云端进行整合，最终完成共享模型的训练。客户端在进行本地训练时，不同设备计算能力和通讯情况的差异会大大增加共享模型训练的时间和传输成本。而且不同设备中的训练数据的分布差异也会影响共享模型的精确度。虽然先前的研究成果可以有效地解决以上多个问题中的其中一个或几个问题，但是同时解决以上所有问题是十分困难的。我们在这篇论文中阐述了一种基于多智能体强化学习 (Multi-agent Reinforcement Learning) 的联邦学习用户选取算法，从而有效地降低了联邦学习的训练延迟以及传输成本，同时增强了共享模型的精确度。

直播结束后大家可以在群内进行提问，请添加“AI TIME小助手（微信号：AITIME_HY）”，回复“AAAI”，将拉您进“AAAI交流群”！

AI TIME微信小助手

主       办：AI TIME

合作媒体：AI 数据派

合作伙伴：智谱·AI、中国工程院知领直播、学堂在线、蔻享学术、AMiner、 Ever链动、科研云

往期精彩文章推荐

记得关注我们呀！每天都有新知识！

关于AI TIME

AI TIME源起于2019年，旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索，加强思想碰撞，链接全球AI学者、行业专家和爱好者，希望以辩论的形式，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。

迄今为止，AI TIME已经邀请了600多位海内外讲者，举办了逾300场活动，超170万人次观看。

我知道你

在看

哦

~

点击 阅读原文 预约直播！