报告时间：6月2号（周四）上午10：00-11:30
腾讯会议号：807-949-087
题目：GNN何时有效？
摘要：图神经网络（GNNs）在图表示学习中展现出了强大的学习能力，推动了其在诸多领域的实际应用，包括生物学和健康医疗等。因此，近年来有大量的相关研究，学界提出了很多的GNNs模型。然而，现实世界的图是非常多样化的，现有研究仍然缺乏对GNNs何时才能在实际应用中发挥作用的深刻理解。本次报告将众多的GNNs模型与图去噪问题联系起来，提供了一个新的视角来理解GNNs为什么能够对具有同质性的图发挥作用。同时，通过实验发现，GNNs在一些常用的异质（或非同质）图上可以取得很好的性能。进一步，报告将讨论同质性并非GNN良好性能保障的必要条件，并将给出GNN何时能有效工作的一个更普遍的假设，以支持理论理解和经验观察。
个人介绍：汤继良博士是密西根州立大学计算机科学和工程系的副教授。汤教授曾是雅虎研究院的一名科学家。他于2015年在亚利桑那州立大学获得博士学位，2010年和2008年分别在北京理工大学获得硕士学位和学士学位。研究方向包括图机器学习、可信赖的人工智能及其在教育和生物学领域中的应用。曾获得6个领域内知名的Career Award（IBM/SIAM 2022, 2021 IEEE Big Data Security, IEEE ICDM 2021, the Association of Chinese Scholars in Computing 2021, ACM KDD2020, NSF 2019），以及8个最佳论文奖（或亚军），包括WSDM2018和KDD2016。汤教授参与组织了多个顶级国际会议（如KDD、SIGIR、WSDM和SDM），也担任多个顶级期刊编委（如TKDD和TKDE）。在顶级期刊、会议上发表很多的高水平论文，论文累计被谷歌学术引用2万余次，h-index为70。他与剑桥大学出版社合作出版了一本关于GNN的专著《图深度学习》。
