从模型到应用,密歇根州立大学教授解读图深度学习

共 1275字,需浏览 3分钟

 ·

2021-04-22 02:45

图(Graphs)描述了实体之间的两两关系,是社会科学、语言学、化学、逻辑学和物理学等许多不同领域中真实数据的基本表示方法。

许多现实问题可以通过解决图上的计算任务来解决。

例如,推断节点的属性、检测异常节点(例如垃圾邮件发送者或恐怖分子)、识别与疾病相关的基因以及向患者推荐药物,都可以归结为节点分类问题。

为了更好地解决这些图上的计算任务,学习好的图的表示尤为关键。

近些年来,图深度学习,尤其是图神经网络算法展现了极强的学习图的表示的能力,并且促进了许多图上的计算任务的发展。

为了方便读者们学习图深度学习,博文视点特地邀请到密西根州立大学助理教授汤继良老师为大家直播分享“图深度学习——从基础模型到前沿应用,欢迎大家关注学习。

分享主题:图深度学习——从基础模型到前沿应用

分享概要:

  • 图和深度学习的基础知识

  • 从基本到高级的图深度学习方法

  • 图深度学习在自然语言处理等领域的应用

嘉宾简介:

汤继良,密西根州立大学助理教授。在这之前,他曾担任雅虎研究院研究员,于2015年从亚利桑那州立大学取得博士学位。他在图特征选择、图表征学习、图深度学习以及它们在互联网和社交媒体上的应用方面做出了杰出贡献。

他曾经获得 SIGKDD新星奖(Rising Star Award)、Withrow杰出研究奖(Distinguished Withrow Research Award)、美国自然科学基金杰出青年奖(NSF Career Award)、IJCAI早期焦点人物演讲(IJCAI Early Career Talk)和包括KDD、WSDM等在内的7项领域知名会议的最佳(或提名)论文奖。他的博士论文获得SIGKDD最佳博士论文(KDD Best Dissertation)亚军和院长优秀博士论文奖(Dean’s Dissertation Award)。他是SIAM数据分析小组和ACM TKDD期刊的秘书长。他经常担任数据挖掘顶级会议的组织者和顶级期刊的编委。他的研究成果发表在领域顶级的期刊和会议上,现已获得了超过14,000多次的引用(H指数为60)和媒体的广泛关注和报道。

直播入口:

https://jmq.h5.xeknow.com/s/1i5srd扫描上方海报二维码进入直播群获取或点击文末阅读原文

直播时间:4月22日(周四)20:00-21:00

分享摘要:

  • 图和深度学习的基础知识

  • 从基本到高级的图深度学习方法

  • 图深度学习在自然语言处理等领域的应用



如果喜欢本文
欢迎 在看留言分享至朋友圈 三连


 热文推荐  





▼点击阅读原文,直达直播间~
浏览 6
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报