科学研究
学术报告
当前位置: 学院主页 > 科学研究 > 学术报告 > 正文

优化引导的可解释图机器学习研究

发布时间:2025-11-06 作者: 浏览次数:
Speaker: 杨亮 DateTime: 2025年11月21日(周五)上午10:30-12:00
Brief Introduction to Speaker:

杨亮,河北工业大学 人工智能与数据科学学院教授、博导、副院长、校学术委员会委员。分别于2004年和2007年在南开大学数学科学学院获得理学学士和硕士学位,于2016在中国科学院信息工程研究所信息安全国家重点实验室获得工学博士学位。先后就职于腾讯数据平台部,百度商务搜索部。研究集中于面向结构数据的机器学习,主要包括社区发现、网络嵌入、图神经网络等主题。他在包括ICMLNeurIPSICLRIJCAIAAAIWWWACM MMECCVCVPRICDMIEEE T-PAMIIEEE TNNLSIEEE T-CyberIEEE TIPACM TOMM、等重要国际会议和期刊上发表多篇论文;并在2021WWW上荣获最佳论文亚军(Best Paper Runner-up)。荣获天津市科技进步三等奖2项,20242025入选全球前2%顶尖科学家榜单。

Place: 国交2号楼315会议室
Abstract:图机器学习作为处理结构化数据的重要方法,在AI4Science在内的很多领域取得了成功,因此受到了广泛的关注。但图神经网络的广泛应用依然受限于有限的可解释性与可迁移性。为了有效缓解此问题,我们从优化与运算等价的角度出发,探索可解释、可通用的图机器学习算法,并尝试将其运用于图基础模型的构建中,实现了全新的图机器学习算法设计范式。本次报告介绍我们在该领域的一些代表性的工作。在此基础上,也将介绍我从计算数学专业转型人工智能专业的心路历程。