直播预告 | 基于层级超图匹配的图相似度学习网络

点击蓝字

af9c3cf37df497afdbd278f3799982db.png

关注我们

AI TIME欢迎每一位AI爱好者的加入!

d316dd4fe213584775e704f9c100e365.png

12月2日晚 7:30-8:30

AI TIME 特别邀请了新加坡国立大学博士后张震,给大家带来分享:《基于层级超图匹配的图相似度学习网络》

f90aea1de67c0aa9ed3d181853e8319e.png

哔哩哔哩直播通道

786f013beb0a9dcbf6c439f6456ea913.gif

★ 嘉宾简介 ★

1772216fad505a355093e3252c19c75e.png

张震

新加坡国立大学博士后,2021年毕业于浙江大学计算机科学与技术学院,博士期间主要研究方向为数据挖掘、图神经网络与推荐系统,目前已在KDD、WWW、IJCAI、TKDE等国际顶级会议和期刊中发表多篇论文。

分享内容:

74246e776eec41d71147fd07779a7a42.gif

基于层级超图匹配的图相似度学习网络

报告简介:

图是建模实体与实体之间关系的常用数据结构。近年来,图数据挖掘引起了学术界和工业界广泛的关注,如分类、聚类等等。然而图相似度学习这一任务却未得到充分的研究,如何计算一对图结构数据之间的相似度?由于图结构数据的复杂、多样性,使得图相似度学习算法的设计充满了挑战性与特殊性。为此,本文基于图神经网络、图池化算子以及子图匹配等模块,设计了一种超图匹配框架来高效的进行图相似度推理。具体来说,本文提出的H2MN框架从超图的角度出发,将每条超边作为一个子图来进行匹配,捕获到了图上丰富的子结构相似性。为了降低匹配的时间复杂度,本文还设计了基于超边的池化算子来将大的超图转化为较小的超图。通过在多个公开数据集包括生物以及社交网络等类型图数据上进行验证,本文提出的方法在图回归以及分类任务上均取得了最佳的效果。

今日视频推荐

直播结束后大家可以在群内进行提问,请添加“AI TIME小助手(微信号:AITIME_HY)”,回复“phd-3”,将拉您进“AI TIME PhD 交流群-3”!

47bd95f575271eae42cdc3bb7f927aac.gif

AI TIME微信小助手

149cd375733412431b75786368e2f5d5.png

主        办:AI TIME 

合作媒体:学术头条、AI 数据派

合作伙伴:智谱·AI、中国工程院知领直播、学堂在线、蔻享学术、AMiner、 Ever链动

AI TIME欢迎AI领域学者投稿,期待大家剖析学科历史发展和前沿技术。针对热门话题,我们将邀请专家一起论道。同时,我们也长期招募优质的撰稿人,顶级的平台需要顶级的你,

请将简历等信息发至yun.he@aminer.cn!

微信联系:AITIME_HY

AI TIME是清华大学计算机系一群关注人工智能发展,并有思想情怀的青年学者们创办的圈子,旨在发扬科学思辨精神,邀请各界人士对人工智能理论、算法、场景、应用的本质问题进行探索,加强思想碰撞,打造一个知识分享的聚集地。

c79da08cf41f01c7f71ce1298c0c74f6.png

更多资讯请扫码关注

ac9ef1e5eb63ccd578e74c2a794bfef8.png

我知道你

在看

~

011da62f61a8a417d205b1d55772ddc2.gif

点击 阅读原文 查看更多精彩!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值