2019年4月4日讨论班报告

各位老师，同学：

时间：4月4日讨论班 9:00-10:30

地点：教学楼5-308

报告内容：

刘志奇 Inductive Representation Learning on Large Graphs

    大图中节点的低维矢量嵌入在机器学习（例如，节点分类，聚类，链路预测）中具有许多应用。 但是，大多数嵌入框架本质上是直推的（transductive），并且只能为单个固定图生成嵌入。 这些直推方法不能有效地推广到看不见的节点（例如，在演化图中），并且这些方法不能学会在不同的图之间进行泛化。所以，本文提出GraphSAGE，它是一个归纳（inductive）框架，可以利用节点特征信息有效地生成以前看不见的数据的表示。具体来讲，它将每个节点用其邻域的聚合重新表示。 因此，即使在训练时间期间未出现在图中新节点，也仍然可以由其相邻节点正确地表示。本文基于Citation和Reddit后期数据对进化信息图中看不见的节点类别进行了分类，并且本文通过使用蛋白质-蛋白质相互作用的多图数据集证明了提出的算法可推广到完全看不见的图。

侯美好 NeoDTI: neural integration of neighbor information from a heterogeneous network for discovering new drug–target interactions

    准确预测计算机中的药物 - 靶标相互作用（DTI）可以指导药物发现过程，从而促进药物开发。 受信息传递和聚合技术的最新进展的启发，这些技术推广了卷积神经网络以挖掘大规模图形数据并大大提高了许多与网络相关的预测任务的性能，作者开发了一种新的非线性端到端学习模型，称为 NeoDTI，集成来自异构网络数据的各种信息，并自动学习药物和目标的拓扑保持表示，以促进DTI预测。

下周报告人 李瑞璨，葛伟