Talk预告 | 中科院计算所李宽：STABLE-一种无监督高鲁棒性图结构学习框架
本期为TechBeat人工智能社区第426期线上Talk。
北京时间7月28日(周四)20:00，中科院计算所在读硕士生——李宽的Talk将准时在TechBeat人工智能社区开播！他与大家分享的主题是: “STABLE-一种无监督高鲁棒性图结构学习框架”，届时将介绍一个基于对比学习的无监督框架来获取面向对抗鲁棒性的高质量表征，以此来进行结构优化。
Talk·信息
主题：STABLE-一种无监督高鲁棒性图结构学习框架
嘉宾：中科计算所在读硕士生 李宽
时间：北京时间 7月28日 (周四) 20:00
地点：TechBeat人工智能社区
http://www.techbeat.net/
完整版怎么看？
扫描下方二维码，或复制链接https://datayi.cn/w/5RpDG0LR至浏览器，一键完成预约！上线后会在第一时间收到通知哦
Talk·介绍
图神经网络在诸多基于图数据的下游任务中表现出色，但近年来研究发现图神经网络面对恶意的结构扰动是非常脆弱的。一种直观的增强图对抗鲁棒性的方法是结构学习，通过优化被篡改的图结构来缓解攻击带来的负面影响。已有方法大多基于原始特征或者监督信号来进行结构学习。但这两种方法都存在一定的问题，前者缺乏了结构信息，而后者因为分类器受到攻击，表征质量也随之下降。基于此，我们提出了一个基于对比学习的无监督框架来获取面向对抗鲁棒性的高质量表征，以此来进行结构优化。另一方面，我们还发现GCN的重参数化trick会使得模型更脆弱，基于此我们简单的修改了GCN，获得了更鲁棒的下游分类器。
具体分享提纲如下：
Graph Adversarial Attack的简单背景介绍
已有方法存在的缺陷-Motivation
我们的解决方案
实验分析
Talk·预习资料
1. https://arxiv.org/abs/2207.00012
Talk·提问交流
通过以下两种方式提问都将获得微信现金红包奖励哦！
方式 ①
在Talk界面下的【交流区】参与互动！留下你的打call🤟和问题🙋，和更多小伙伴们共同讨论，被讲者直接翻牌解答！你的每一次贡献，我们都会给予你相应的i豆积分，还会有惊喜奖励哦！
方式 ②
在本文留言区直接提出你的问题，或扫描下方二维码提问！
Talk·嘉宾介绍
中科院计算所在读硕士生
中科院计算所（ICT）二年级硕士生。主要研究方向为图表示学习，工作主要围绕图神经网络的鲁棒性，动态图建模和半监督节点分类的类别不平衡问题展开。已在KDD，WWW等数据挖掘顶尖会议上发表论文。
个人主页：
https://likuanppd.github.io/
长按识别二维码，一键预约TALK！
关于TechBeat人工智能社区
TechBeat (www.techbeat.net) 是一个荟聚全球华人AI精英的成长社区。 我们希望为AI人才打造更专业的服务和体验，加速并陪伴其学习成长。 期待这里可以成为你学习AI前沿知识的高地，分享自己最新工作的沃土，在AI进阶之路上的升级打怪的根据地！
更多详细介绍>>https://mp.weixin.qq.com/s/pTbCK_MeTk05jK2yx1RTrQ
