青年科学家 | NIPS 2022 预讲-面向科学应用的图神经网络设计

AITIME论道

于 2022-10-06 14:55:04 发布

阅读量475

点赞数

文章标签：人工智能神经网络算法腾讯机器学习

原文链接：https://mp.weixin.qq.com/s?__biz=MzIzOTAxOTk3Nw==&mid=2247508027&idx=1&sn=eedf5359fc0ed39e0c61b9e98a693ff2&chksm=e932929dde451b8b7c8387d41e69f863ea32634ba337865716d3b06bac89ddf6726351d07133&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！

哔哩哔哩直播通道

扫码关注AI TIME哔哩哔哩官方账号预约直播

2022年10月12日 19:30-20:30

讲者简介

黄文炳：

中国人民大学高瓴人工智能学院助理教授、博导。曾在清华大学产业研究院担任助理研究员，腾讯AI Lab担任高级研究员。研究方向包括几何机器学习理论方法、几何机器学习在机器人感知与决策任务上的应用、科学知识嵌入的几何机器学习等。尤其在图神经网络方面，与合作者做出了若干工作：提出了训练深度图神经网络的方法DropEdge，获得了国内外同行一定的关注，发表以来谷歌学术引用近600次（截至2022年9月），被集成到若干公开图学习平台（如PyG）；提出了面向大规模图的图神经网络高效训练方法AS-GCN，谷歌学术引用300余次（截至2022年9月），成功应用到腾讯亿级社交网络的风控业务。曾获国际会议IROS机器人比赛冠军、腾讯犀牛鸟专项研究卓越奖、NeurIPS Outstanding Reviewer等奖项。

分享内容

面向科学应用的图神经网络设计

报告简介

本报告关注GNN for Science的三个子问题：药物分子设计、蛋白质动力学模拟、复杂物体的物理交互模拟。针对药物分子设计，提出了主子图principal subgraph（PS）这一新颖概念，以捕捉分子中带有丰富信息的高频模式，继而通过一种基于合并-更新的算法自动地从数据集中抽取高频出现的PS，并作为子图库用于后续的分子图生成。针对蛋白质动力学模拟，首次提出了多层级等变图神经网络EGHN，其由等变池化E-Pool和等变去池化E-UnPool两个部分通过U-Net连接组成，分别负责信息从细粒度到粗粒度的聚合、从粗粒度到细粒度的分发。针对复杂物体物理交互，首次提出了“子等变”的概念，即把欧氏等变GNN放缩成，只服从由外部力场所诱导子群上的等变GNN，并给出表达能力的完备性证明。Subequivariant GNN很好拟合了现实物理世界因为外部力场（如重力）所造成的对称性破缺情形。最后，报告总结和展望GNN for Science的最新研究进展。

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“NIPS”，将拉您进“AI TIME NIPS交流群”！