图机器学习：前沿与挑战
举办时间：10月24日下午
地点：夏苑-营造馆
注：如有变动，请以官网(https://ccf.org.cn/cncc2024)最终信息为准
图机器学习以图数据为研究对象，重点关注事物之间的关联性。这一领域突破了传统机器学习中数据独立同分布的假设，推动了新的学习理论和范式的出现，已成为新一代人工智能研究的重要方向之一。图机器学习不仅为复杂网络数据处理提供了强有力的工具，还在社交网络分析、生物信息学、推荐系统、3D点云数据分析等多个领域展现出广泛的应用前景。近年来，国内外学者对这一领域的研究热情不断高涨，进一步推动了图机器学习理论与技术的快速发展。
图机器学习领域在快速发展的同时，也面临着一些关键挑战和瓶颈。例如，随着图神经网络成为图数据分析的主流技术，深层GNN所面临的“过平滑”问题依然是限制其表示学习能力的核心因素。此外，传统的图学习框架在处理更复杂的高阶交互时，通常依赖于二元关系建模，无法充分表达现实世界中多个对象间的复杂关联。针对这些高阶关联的学习需求，超图表示学习和超图计算理论及方法越来越受到关注。同时，随着大规模语言模型（如ChatGPT）在自然语言处理和计算机视觉等领域的成功，图学习领域也开始受到图基础模型这一新范式的影响，如何有效地在图机器学习中借鉴这一范式已成为研究者面临的另一大挑战。
为促进该领域学者的深入交流并激发对热点问题的新思考，本论坛特别邀请了国内图机器学习领域的知名学者，他们将分享在基础理论、前沿算法及应用等方面的最新研究成果。
图机器学习领域前沿进展分享：本论坛汇聚国内知名学者，分享图机器学习基础理论、前沿技术及热门应用等方面的最新成果。
图基础模型与大模型融合的前瞻探讨：论坛将围绕如何在图机器学习中借鉴大规模语言模型的成功经验，探索图基础模型的未来发展方向。
顺序 |
主题 | 主讲嘉宾 | 单位 |
1 | 图机器学习前沿进展与展望 | 梁吉业 | 山西大学 |
2 | 图神经网络的下一个前沿：图基础模型 | 石川 | 北京邮电大学 |
3 | 图卷积神经网络过平滑问题：理论、算法与重探索 | 魏哲巍 | 中国人民大学 |
4 | 超图计算 | 高跃 | 清华大学 |
5
| 结构模式识别与图机器学习—发展历程、研究现状与未来展望 | 白璐 | 北京师范大学 |
李明
浙江师范大学教授，浙江全省智能教育技术与应用重点实验室副主任
教授、博导，入选浙江省高校高层次拔尖人才、浙江省“钱江人才计划”特殊急需人才，浙江全省智能教育技术与应用重点实验室副主任，目前担任Neural Networks等六个国际知名期刊副主编，曾任IEEE TNNLS “Deep Neural Networks for Graphs: Theory, Models, Algorithms and Applications” 专刊首席特邀副主编，在IEEE TPAMI、AI、IEEE TKDE、ICML、NeurIPS、IJCAI 等期刊及会议上发表论文80多篇，主持国家级及省部级纵向项目7项（含省重点研发计划项目1项），作为合作单位项目负责人联合承担国自科联合基金重点项目1项。
山西大学学术委员会主任，计算智能与中文信息处理教育部重点实验室主任，教育部科技委人工智能与区块链专门委员会委员，CCF人工智能与模式识别专委会主任，享受国务院政府特殊津贴专家；曾任山西大学副校长（正校级）。先后主持科技创新2030-“新一代人工智能”重大项目、国自科重点项目等国家级项目10余项。2014—2023年连续入选爱思唯尔中国高被引学者榜单。曾获中国国际发明展览会金奖1项、省科学技术一等奖3项、省优秀教学成果特等奖2项。
报告题目：图机器学习前沿进展与展望
摘要：图数据的复杂性为传统的机器学习技术带来了前所未有的挑战，探索图机器学习的新理论与新方法已经成为机器学习和数据挖掘领域中备受瞩目的前沿课题。本报告首先介绍图机器学习的相关背景、主要方法及应用前景；其次对我们在基于构图的机器学习和基于图表示的机器学习两方面的最新研究进展进行阐述；最后我们将探讨图机器学习在点云数据分析领域的应用并对未来研究工作进行展望。
CCF杰出会员，北京邮电大学计算机学院教授、教育部长江学者特聘教授。主要研究方向: 数据挖掘、机器学习、人工智能和大数据分析。近5年以第一作者或通讯作者在CCF A类期刊和会议发表论文60余篇，中英文专著六部，连续入选爱思唯尔高被引学者；授权发明专利30余项，相关研究成果应用于阿里、蚂蚁、腾讯、华为、美团等公司。研究成果获得电子学会科技进步一等奖和北京市自然科学二等奖等奖项。
报告题目：图神经网络的下一个前沿：图基础模型
摘要：近年来，将神经网络应用到图数据，形成了图神经网络（即图学习）的研究热潮。图学习不仅成为人工智能的热点技术方向，而且广泛应用在电商、生物医药等众多领域。随着以ChatGPT为代表的大规模语言模型表现出通用人工智能的潜力，大语言模型改变了很多领域（如自然语言处理，计算机视觉）的研究范式，同样也对图学习方向的研究产生影响。本报告介绍面向大模型的图学习新范式“图基础模型”的概念、相关工作和我们在该方向的初步探索。
中国人民大学高瓴人工智能学院教授，博导。入选国家高层次青年人才，担任新一代智能搜索与推荐教育部工程研究中心副主任。研究方向为图计算与图学习、数据流算法与学习。在SIGMOD、KDD、ICML、STOC等顶级会议及期刊发表论文80余篇，并获得数据库理论会议PODS2022时间检验奖、2023年世界人工智能大会青年优秀论文提名奖。主持自然科学基金重点项目、科技部新一代人工智能国家科技重大专项课题。担任IEEE TPAMI期刊编委。
报告题目：图卷积神经网络过平滑问题：理论、算法与重探索
摘要：图卷积神经网络（GCN）是挖掘图数据的经典深度学习方法，受到了广泛的关注。但是，深层的GCN面临着过平滑问题，使得现有方法仍以浅层架构为主。本报告将从图信号滤波器、随机游走理论、图优化函数等视角对GCN过平滑问题进行全面的理论分析，并介绍GCNII、TWIRLS等多种支持深层训练的算法和模型。同时，将介绍我们重新探究GCN过平滑问题的新进展，研究发现深层MLP的可训练问题是关键因素。最后，将探讨未来研究的一些开放性问题和工作展望。
清华大学长聘副教授、博士生导师。2012年毕业于清华大学获得博士学位。2016年入选国家级青年人才计划项目。近年来作为项目负责人承担国家重点研发计划重点专项、自然科学基金联合基金重点项目等多项课题，主要研究领域为人工智能、计算机视觉及医学图像处理，在IEEE TPAMI、HBM、MICCAI、CVPR等国际期刊及会议发表论文100余篇，引用万余次，担任IJCV和MedIA等国际期刊编委。曾获得中国电子学会自然科学一等奖、福建省科技进步一等奖等。
报告题目：超图计算
摘要：许多生物、社会和技术系统的复杂性源于系统单元之间丰富性的相互作用，社会交流、化学反应及生命系统中相互作用通常发生在三个或更多对象的群组中，不能简单通过二元关系描述。超图是建模此类高阶交互、即高阶关联的天然结构。本报告主要介绍面向高阶关联的超图计算理论、方法及应用，分别介绍高阶关联的超图结构建模、数据和高阶关联协同的超图语义计算及面向不同领域的超图计算应用相关进展。
北京师范大学人工智能学院教授，博导，智能技术与教育应用教育部工程研究中心副主任。国家优秀青年科学基金获得者，教育部国家优秀自费留学生奖获得者，百度全球高潜力“AI华人青年学者榜单”入选者，曾入选国际模式识别学会IAPR Newsletter下一代报道（全球每年4位青年学者）。长期从事基于图数据的结构模式识别与机器学习理论研究与应用。累计发表TPAMI、TKDE等国际权威期刊、会议论文超过100篇，担任国际权威期刊IEEE TNNLS与Pattern Recognition副主编。
报告题目：结构模式识别与图机器学习—发展历程、研究现状与未来展望
摘要：结构模式识别与图机器学习能够有效挖掘并学习图数据内部蕴含的复杂关联关系与结构模式信息，已在计算机视觉、金融、社交网络等众多领域获得了广泛应用。本报告首先梳理结构模式识别与图机器学习过往近40年的发展脉络，分析不同阶段相关研究的理论特点，然后介绍课题组在“图核函数”与“图神经网络”两个相关重要方向的研究成果，并阐述两者间的理论关联，以及两者当前交叉研究现状，继而对未来进一步的研究进行了初步展望。
本届CNCC将于10月24-26日在浙江省东阳市横店镇举办，大会主题为“发展新质生产力，计算引领未来”。CNCC是一个宏观论述技术趋势的大会，具有规格高、规模大、内容丰富等特点，会议形式包括大会特邀报告、大会论坛、技术论坛、特色活动及展览。大会为期三天，汇聚图灵奖获得者、两院院士、国内外顶尖学者、知名企业家等亲临大会，展望前沿趋势，分享创新成果。ACM、IEEE CS、IPSJ、KIISE等国际计算机组织的代表也多次获邀现场参加这一盛会。
