SMP 2022 可信图神经网络

论坛概况

论坛时间：8月21日16:00-18:00

论坛简介：图数据广泛存在于真实世界的不同复杂系统中，例如社交网络、交通网络和生物网络等。随着深度学习的飞速发展，图神经网络已经成为处理图数据的重要方法，也是当前人工智能领域的研究热点之一，在诸如推荐系统、药物发现等重大经济民生领域都具备优越的表现。随着图神经网络在不同领域的不断深入，图神经网络更广泛维度上的可信性正逐渐引起广泛关注。众多领域既需要具备理论保障的图神经网络，又亟需在可解释性、鲁棒性、分布外泛化稳定性等方面取得突破。本论坛邀请了深耕于可信图神经网络科研一线的权威学者就上述问题展开分享，以期深入全面地展现可信图神经网络的价值与实现路径。

论坛安排：

时间	内容	主持人
16:00-16:30	Robust GCN-based Recommendation System 阴红志澳大利亚昆士兰大学教授、大数据智能实验室主任	杨成北京邮电大学副教授
16:30-17:00	交叉关联图神经网络的理论研究及其应用黄啸香港理工大学电子计算学系助理教授
17:00-17:30	图神经网络可解释性王翔中国科学技术大学特任教授
17:30-18:00	Trustworthy Graph Neural Networks: More confident, robust, and understandable 王啸北京邮电大学副教授

论坛主席：石川（北京邮电大学教授）

主席简介：石川，北京邮电大学计算机学院教授、博士研究生导师、智能通信软件与多媒体北京市重点实验室副主任。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年来以第一作者或通讯作者身份在CCF A类期刊和会议发表论文50余篇，出版中英文专著5部，授权发明专利20余项，相关研究成果应用于阿里巴巴、腾讯、华为、美团等公司。他曾获得ADMA 2011/ ADMA 2018 最佳论文奖和WWW 2019 最佳论文候选。其研究成果获得省部级奖励5项，包括CCF科学技术奖自然科学二等奖（第一）和吴文俊人工智能科技进步一等奖（第三）。他入选爱思唯尔高被引用者，并获得了北京市高等学校“师德先锋”和“青年英才”等称号。

石川北京邮电大学教授

论坛主席：杨成（北京邮电大学副教授）

主席简介：杨成，北京邮电大学计算机学院副教授，2019年博士毕业于清华大学计算机系，曾获中国中文信息学会优秀博士论文奖，并入选AMiner发布的“2022年AI 2000人工智能最具影响力学者”和百度发布的“AI华人青年学者百强” 榜单。本人长期从事数据挖掘和自然语言处理相关方向的研究，发表相关领域CCF A/B类论文40余篇，谷歌学术累计获得引用4300余次，其中首次提出结合节点属性信息的图表示学习算法TADW，单篇被引一千余次，相关成果获2020年教育部自然科学奖一等奖（排名第四）。在学术服务方面，担任包括ACL、KDD、TPAMI等在内的国际顶级会议程序委员会成员和期刊的审稿人。

杨成北京邮电大学副教授

论坛嘉宾

阴红志澳大利亚昆士兰大学教授

报告主题：Robust GCN-based Recommendation System

报告摘要：In recent years, recommender system has become an indispensable function in all e commerce platforms. The review rating data for a recommender system typically comes from open platforms, which may attract a group of malicious users to deliberately insert fake feedback in an attempt to bias the recommender system to their favour. The presence of such attacks may violate modelling assumptions that high-quality data is always available and these data truly reflect users’ interests and preferences. Therefore, it is of great practical significance to construct a robust recommender system that is able to generate stable recommendations even in the presence of shilling attacks. In this talk, I will propose GraphRfi -a GCN-based user representation learning framework to perform robust recommendation and fraudster detection in a unified way. In its end-to-end learning process, the probability of a user being identified as a fraudster in the fraudster detection component automatically determines the contribution of this user’s rating data in the recommendation component; while the prediction error outputted in the recommendation component acts as an important feature in the fraudster detection component. Thus, these two components can mutually enhance each other. Extensive experiments have been conducted and the experimental results show the superiority of our GraphRfi in the two tasks - robust rating prediction and fraudster detection. Furthermore, the proposed GraphRfi is validated to be more robust to the various types of shilling attacks over the state-of-the-art recommender systems.

嘉宾简介：阴红志博士现任澳大利亚昆士兰大学（全球排名前50高校）大数据智能实验室主任，曾被澳大利亚的 Research 2020杂志评为数据挖掘和分析领域的领军人物。阴教授2014年博士毕业于北京大学，他的学位论文入围北京大学优秀博士学位论文。他目前的研究方向包括推荐系统、图嵌入与挖掘、智能聊天机器人、社交媒体分析与挖掘、边缘机器学习、可信机器学习和智能医疗等。发表高水平论文210余篇，包括120余篇CCF A类和70余篇B类论文，涵盖了人工智能领域的顶级会议和期刊，如KDD、SIGIR、WWW、WSDM、SIGMOD、VLDB、ICDE、AAAI、IJCAI、IEEE TKDE、TNNL、VLDB Journal、ACM TOIS等。先后6次获最佳论文奖，包括2019 ICDE最佳论文、2020 DASFAA最佳学生论文、2021年度的ACM Computing Reviews最佳论文奖、2018 ICDM 最佳论文提名。他是2016年度澳大利亚优青和2021年度澳大利亚杰青获得者。

黄啸香港理工大学助理教授

报告主题：交叉关联图神经网络的理论研究及其应用

报告摘要：图神经网络(GNN)已被广泛应用于建模现实中各种预测问题。尽管相关研究已取得进展，GNN有两大关键问题尚未解决，限制了其在大规模图中的进一步应用。其一，用递归的方式聚合邻接信息需要较高的计算成本，且可能导致过度平滑。其二，GNN侧重于建模拓扑结构，而对节点属性的利用是有限的，其仅被用于初始化向量表示。针对这些问题，我们提出新型的图学习架构，既从理论层面解决GNN的局限性，又保持其优点，使GNN在现实应用中有更佳的表现。我们设计了一个高效的不使用递归的信息传递机制，从而解决第一个问题。在此基础上，我们将点属性深度融入图卷积过程和GNN目标函数。本次报告中，我们将从理论上分析该架构与现有模型的关联，并在多个应用上展示该架构的有效性，包括大规模图上的点分类、个性化推荐等。

嘉宾简介：黄啸，香港理工大学电子计算学系助理教授。他于2020年从Texas A&M University获得博士学位，2015年从Illinois Institute of Technology获得硕士学位，2012年从上海交通大学获得学士学位。他在国际学术会议和期刊上发表了30余篇论文（包括主要国际会议NeurIPS、KDD、WWW、AAAI、IJCAI等），其中2篇获得最佳论文提名，3篇高被引，共计引用量近1600。他担任了多个大型国际学术会议的Program Committee Member，包括（包括NeurIPS、KDD、WWW、AAAI、IJCAI等）。他在多个国际期刊担任审稿人。他曾以第一作者身份在顶级国际会议KDD 2019做Tutorial报告。他是国际期刊Computers & Education: X Reality的编辑委员会成员。

王翔中国科学技术大学教授

报告主题：图神经网络可解释性

报告摘要：随着图神经网络（GNN）的日益成功，GNN 的可解释性引起了相当大的关注。作为一种流行的生成事后解释（Post-hoc Explanation）的技术，特征归因将 GNN 的预测分布到输入图的特征上，从而突出显著特征。然而，目前的工作主要集中在统计可解释性上，难以区分输入特征对结果预测的因果影响和非因果影响，并且几乎无法量化特征之间的冗余，从而导致事后解释失真。在本次报告中，王翔将介绍两种新型方案：基于多粒度的类“预训练-精调”事后解释，基于强化学习的“因果筛选”事后解释，并进一步针对事后解释衡量框架的失真性进行探索，引出基于不变学习的内在可解释（Intrinsically Interpretable）图神经网络，不仅可以使得预测透明化，而且还可以增强模型的泛化能力与鲁棒性。

嘉宾简介：王翔，中国科学技术大学特任教授、博导。2019年于新加坡国立大学取得计算机科学博士学位，师从Chua Tat-Seng教授。研究方向包括信息检索与推荐、数据挖掘、可解释与可信人工智能、图深度学习等，在相关CCF A类国际顶级会议和期刊发表论文50余篇，包括TPAMI、NeurIPS、SIGIR、KDD、CVPR、IEEE S&P等，谷歌学术引用6100余次。在2022年AI 2000人工智能最具影响力学者“信息检索与推荐”领域排名第13。担任众多顶级期刊、会议审稿人与程序委员。个人主页：http://staff.ustc.edu.cn/~xiangwang。

王啸北京邮电大学副教授

报告主题：Trustworthy Graph Neural Networks: More Confident, Robust, and Understandable

报告摘要：图神经网络已成为当前深度学习领域的新浪潮，是目前学术界与工业界处理图数据的重要手段之一。当前图神经网络的优越性能已经从理论和实践上得到了有效验证，然而真正走向实际落地的过程中还需要进一步审视鲁棒性、可靠性、可解释性等要素。本次报告将围绕以上三点讨论我们的初步探索，期望赋予图神经网络更强大与可信的表达能力。

嘉宾简介：王啸，北京邮电大学副教授，鹏城实验室兼聘助理研究员。研究方向为图神经网络、数据挖掘与机器学习。获得ACM中国新星提名奖，AI2000最具影响力学者，北京智源人工智能研究院青源会会员，CCF高级会员。共发表论文80余篇，其中CCF A类论文40余篇，ESI高被引论文2篇，3篇论文单篇引用超过700次，1篇提名WWW 2021最佳论文, 1篇获得ICDM 2021最佳学生论文亚军，6篇入选最有影响力论文榜单，成果多次写入图计算标准库PyG和DGL。出版教材一部，专著一部，著作章节一章。担任WWW/AAAI/IJCAI的高级程序委员会委员。主持多项国家自然科学基金和CCF-腾讯犀牛鸟科研基金。