魏哲巍

中国人民大学 教授

入选国家高层次青年人才计划。研究方向为大数据算法理论、图机器学习。本科毕业于北京大学数学科学学院，博士毕业于香港科技大学计算机系；2020年4月加入高瓴人工智能学院。在数据库、理论计算机、数据挖掘、机器学习等领域的顶级会议及期刊上发表论文50余篇，并获得数据库理论顶级会议PODS2022时间检验奖。担任鹏城实验室广州基地青年科学家。培养博士生获2021年百度奖学金（全球10人）。

报告题目：谱域图神经网络理论基础

图神经网络是一类基于深度学习的处理图数据的方法，在众多领域展现出了卓越的性能。谱域图神经网络是其中一类重要的方法，它们在拉普拉斯谱域中设计和学习不同的图卷积，具有良好的理论保证和可解释性。本报告拟先介绍图神经网络的任务和一些前沿应用，然后从图傅里叶变换、图卷积的设计和图谱滤波器的多项式近似等方面探讨谱域图神经网络的理论基础，最后将讨论我们在谱域图神经网络所做的一些工作和对未来工作的展望。

应智韬

耶鲁大学 助理教授

研究方向为图神经网络、几何嵌入表示、可信图机器学习。代表性研究工作包括GraphSage, PinSage和GNNExplainer算法，并在Pinterest网络上开发了第一个十亿级图嵌入学习系统。研究工作同时关注图学习在物理模拟、社交网络、自然语言处理、知识图谱和生物上的应用。曾获2022年SIGKDD 博士论文奖。

报告题目：非图数据上的图学习

近年来深度学习在图数据上取得了非凡的研究进展，相关模型对于图结构化数据的建模能力不断提高。本报告探索的主题是，对于不直接以图的形式出现的数据，如何利用这些基于关系数据的学习算法带来表现的提升？我们具体会从3个方向探讨如何将图模型相关进展应用于非图数据上，包括图结构学习、异构关系构建及注意力扩散。相关算法在生物信息学、自动机器学习、语言模型和表格数据等大量场景中又广泛的应用前景，突出了深度图表示学习从不同模态数据中学习相关关系进行推理并提高表征学习质量的潜力。

杨洋

浙江大学计算机学院 人工智能系主任/副教授

研究方向为大规模图与时间序列建模，具体包括表示学习、异常检测、计算社会学等。在KDD、WWW、AAAI、TKDE等国际顶级学术期刊及会议上发表论文40余篇。2016年博士毕业于清华大学，获中国电子学会优秀博士毕业论文提名奖。曾先后访问美国康奈尔大学、比利时鲁汶大学。

报告题目：Time2Graph: 从图视角出发的时间序列建模

时间序列数据在诸如金融、医疗、军事、交通等多个领域均有着广泛的应用。本次报告将介绍基于图视角的时间序列模型Time2Graph。图结构能够有效表达关联关系，同时具有较强的可解释性。因此，Time2Graph模型结合图结构的特性，挖掘较长的时间序列中具有代表性和一定物理含义的动态子序列(shapelet)，并分析不同子序列之间的关系。同时，这些特征在推理和可解释方面也有较好的表现。在此基础上，我将进一步介绍Time2Graph在各领域不同任务上的典型应用案例。

裘捷中

腾讯 高级研究员

主要研究方向是图数据的算法设计和表示学习。他关于图表示学习的工作 NetMF、NetSMF和GCC分别是是WSDM'18当年会议第二高引，WWW'19 Best Paper Candidate和KDD'20当年会议最高引。他曾获得 2022 KDD 博士论文奖亚军，2018MSRA微软学者提名奖、2022北京市优秀毕业生、2022清华大学优秀毕业论文。他于2022年1月获得清华大学计算机科学与技术系博士学位，导师为唐杰教授。

报告题目：网络表示学习的谱理论与自监督学习

现实生活中的许多数据都可以用图的结构来表示，因此图表示学习目前受到了广泛关注的应用，包括推荐系统，社会网络分析，药物发现等等。本报告从多个角度研究图表示学习，包括节点嵌入的谱理论，基于谱理论的大规模节点嵌入的算法，图神经网络的自监督学习算法和图表示学习的应用等，探讨图结构数据的理解、分析和推理。

郑达

亚马逊 资深应用科学家

领导AWS图机器学习团队开发图机器学习框架和算法，并把图机器学习部署到各种工业级应用场景。在AWS，郑达领导开发了DGL/DistDGL用于大规模图神经网络学习，DGL-KE用于大规模知识图谱表征训练，TGL用于大规模时序图神经网络训练。郑达的研究方向横跨多个领域，包括高性能计算，大规模数据分析系统和机器学习系统，以及数据挖掘和机器学习的算法研究。郑达于2016年在约翰霍普金斯大学取得计算机博士学位。

报告题目：大规模图神经网络训练

图数据普遍存在于各种应用场景。在这些应用场景里，图数据往往包含上亿甚至几十亿的节点，这给图神经网络的训练带来了很大的挑战。在这个报告中，我会先介绍图神经网络的基本原理以及图神经网络在超大规模图数据上训练的各种挑战。我会介绍大规模图神经网络训练上做的各项研究成果，比如DGL/DistDGL在通用图神经网络训练，TGL在时序图训练使用的各种技术，图采样算法（GNS）和在图神经网络上使用的可学习表征（learnable embedding）的压缩算法（TT-GCN）。

徐童

中国科学技术大学 副教授

CCF高级会员。研究领域为数据挖掘与社交媒体分析。发表CCF推荐A类期刊/会议论文50余篇。主持多项国家、省部级科研项目。获2项国际学术会议最佳论文奖或提名，指导学生获国内外7项学术竞赛/测评冠军。2022年获安徽省计算机学会优秀青年科学家奖。

报告题目：基于相互作用表征的药品推荐研究

药品推荐是智慧医疗中的核心任务，其关键技术挑战在于有效衡量药品效用并匹配病症。然而，现有技术缺乏对于药品相互作用的有效表征，也难以区分协同、拮抗等不同类型作用在与患者病症耦合下的作用机制，从而影响了多药品推荐任务的精度。在本次报告中，我们将首先讨论如何有效采用图表示学习技术实现药品相互作用表征，进而分别介绍药品包判别、药品包生成及药品剂量估计三个子任务所对应的场景应用及其不同技术挑战。