输入图与计算图的解耦:图表示学习中尚未解决的重要问题
文摘: 在部署图神经网络时, 我们经常做一个看似无辜的假设:我们得到的输入图是基本事实. 然而, 我的演讲将会展开, 通常情况并非如此:即使图表是完全正确的, 对于完成手头的任务来说，它们可能不是最理想的. 这将向我们介绍一个丰富而充满活力的图形重新布线领域, 哪个国家最近经历了文艺复兴. 我将讨论一些最具代表性的作品，包括我们自己的两个贡献 (http://arxiv.org/abs/2210.02997, http://arxiv.org/abs/2306.03589)，其中一篇论文在NeurIPS'22的图学习前沿研讨会上获得了最佳论文奖.
佩拉čković, 研究人员, 谷歌DeepMind和剑桥大学附属讲师
Petar veli
Petar已经在两个机器学习平台(ICLR)上发表了他在这些领域的研究成果, NeurIPS-W, ICML-W)和生物医学场所和期刊(生物信息学), 《十大网博靠谱平台》, 杰西博, PervasiveHealth). 特别是, 他是《十大网博靠谱平台》的第一作者, 图的一个流行的卷积层, 和深度图形信息, 图的可伸缩局部/全局无监督学习管道. 他的研究已在ZDNet等媒体上发表. 另外, 他在ICLR 2019和NeurIPS 2019上共同组织了十大网博靠谱平台图表示学习的研讨会.
议程:
13:45 -登记及到达
14:00 -欢迎并由Julia H和l博士介绍, The University of Manchester决策科学教授
14:10 - Petar veli
14:45 - Q&A
15:00 -网络
15:30 -活动结束
本次研讨会是与 ID十大网博靠谱平台 和 图灵创新催化剂 作为官方AI边缘的一部分.
人工智能边缘是在伦敦和英国举办的一系列活动，通过将广泛多样的声音带入对话，补充英国政府的人工智能安全峰会. 它将在人工智能安全峰会关注前沿人工智能安全的基础上，扩大围绕安全和负责任的人工智能的讨论.
