直播预告 12.16 | IJCAI 2021 专场三来啦！

AITIME论道

于 2021-12-13 11:42:54 发布

阅读量143

点赞数

文章标签：人工智能机器学习深度学习神经网络算法

原文链接：https://mp.weixin.qq.com/s?__biz=MzIzOTAxOTk3Nw==&mid=2247496914&idx=2&sn=f7ad04b9ce3dedac1bf599e26c81ce66&chksm=e932c674de454f6280e7d849cbc9713c590e13fd1b120b75343d4700986602aa49e971ba043d&scene=126&&sessionid=0

版权

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

12月16日 19:30~20:30

AI TIME特别邀请中山大学软件工程学院博士生、微软亚洲研究院高级研究员，开启IJCAI第三场！

哔哩哔哩直播通道

扫码关注AITIME哔哩哔哩官方账号

观看直播

链接：https://live.bilibili.com/21813994

★ 邀请嘉宾 ★

李金膛：

中山大学软件工程学院一年级博士生，导师为陈亮教授与郑子彬教授。2021年硕士毕业于中山大学电子与通信工程学院并继续攻读博士学位，博士期间主要研究方向为图神经网络与图对抗学习。目前已在IJCAI，ICSE和TKDE等顶级会议和期刊上发表论文，并参与过国际级竞赛KDD Cup获得第二名成绩。

报告题目：

理解图卷积网络的结构脆弱性

内容简介：

最近的研究表明，图卷积网络 (GCN) 容易受到对抗性攻击而输出错误的结果。尽管目前已有一些工作来提高GCN受到对抗攻击的鲁棒性，但以往的研究大多倾向于从实验性的角度去揭示图卷积网络的脆弱性，并没有尝试去解释图卷积网络容易受到攻击的本质原因。在这项工作中，我们从理论上和实验上揭示了图卷积网络容易受到攻击的原因，并基于崩溃点(breakdown point)理论与实验结果给出了解释：图卷积网络的脆弱性主要来自于不鲁棒的聚合函数。基于这一发现，该工作进一步提出了基于中值聚合函数与截尾均值聚合函数的鲁棒图卷积网络，通过在四个真实世界数据集的大量实验表明所提方法能够取得较高鲁棒性的同时保持在节点分类任务上较好的表现。

王鹏帅：

现任微软亚洲研究院高级研究员，分别在2013年和2018年于清华大学获得学士学位和博士学位，研究兴趣主要包括计算机图形学和三维深度学习，曾在SIGGGRAPH(ASIA)，CVPR，IJCAI等会议上发表多篇论文。根据谷歌学术的统计，他的基于八叉树的稀疏卷积神经网络的论文（O-CNN）在过去五年所有发表在SIGGRAPH (ASIA) 和ACM Transcations on Graphics的论文中引用量排名前五。他曾担任SIGGRAPH(ASIA)，TVCG，TPAMI等学术会议和期刊的审稿人，也曾担任3DV 2020和SMI 2021的会议程序委员。他在清华就读期间曾获得博士生国家奖学金和2018年北京市优秀博士毕业生。

报告题目：

用于学习三维隐式距离场的样条位置编码

内容简介：

多层感知器 (MLP)可以通过将 3D 坐标映射到相应的有符号距离场（SDF）来表达3D 形状。在本文中，我们提出了一种新的位置编码方案，称为样条位置编码，将输入坐标映射到高维空间，然后将它们传递给 MLP，以帮助从MLP从输入的点云中恢复具有精细几何细节的有符号距离场。通过实验，我们验证了我们的方法在输入点云和形状空间学习的 3D 形状重建任务的优越性。

# 今日视频推荐 #

直播结束后我们会邀请讲者在微信群中与大家答疑交流，请添加“AI TIME小助手（微信号：AITIME_HY）”，回复“IJCAI”，将拉您进“IJCAI会议交流群”！