我们请来了2017 NIPS大会发文数全球前3的华人教授,讲解网络数据的表征学习(视频+PPT)

2017 NIPS大会可以算得上全球声量最大、出席人数最多的AI学术会议了。大会刚刚落下帷幕,不少媒体和社区都总结了本次会议相关数据,比如,大会发文数:

图:最有声望、出席人数最多的AI学术会议-NIPS 今年大会发表文章最多的作者排名。

来源:

https://unsupervisedmethods.com/nips-accepted-papers-stats-26f124843aa0

在发文量前三名中,唯一出现的华人是来自佐治亚理工大学计算科学与工程系终身副教授,机器学习中心副主任宋乐教授。


宋乐教授(Le Song)现任蚂蚁金服人工智能部首席工程师(Principle Engineer),他的主要研究方向是机器学习的大规模算法和高效系统,特别是使用核方法和深度学习方法的图模型的嵌入方法,以及静态和动态网络分析,人工智能、社会科学、计算生物学等跨学科领域里的大规模复杂问题的建模和求解。


前段时间,大数据文摘有幸邀请到宋乐教授为我们的读者分享他的研究成果:用Structure2Vec提取特征,解决网络数据的表征学习问题。


本次分享,宋乐教授介绍了一个强大的异构网络深度学习和推理平台:Stracture2Vec。有了它,我们可以更加容易和高效地解决复杂的网络表征学习问题。



宋乐教授从Structure2Vec平台后面的模型、算法、设计思想和大规模分布式实现的一些细节入手,介绍了它在推荐、营销、知识图谱推理、风控、安全等问题上的应用和效果。



点击文末阅读原文,可以直接看本次分享完整回顾哦!


目前没有时间观看的同学可以先收藏课程,下拉看文摘菌总结的课程介绍和PPT▼▼▼


课程介绍


现实社会中的各种行为把整个世界编织成一个庞大而复杂的网络。人们日常的联系和交流行为构成了社交网络,互联网中的网页链接关系构成了万维网。


支付平台中的交易行为构成了交易网络和资金网络,人们日常的出行轨迹构成了交通网络,微观世界中的分子交互行为以及电子电路的传导行为同样也构成了美妙而复杂的网络关系。


如何从这些复杂的网络数据中提取有价值的特征?

这些网络形成的背后是否存在什么潜在的规律?

不同类型的网络之间又是如何互相影响和传导的呢?


要回答这些问题,一个强大的网络深度学习和推理平台尤为重要。


以前的深度学习模型如CNN和RNN,可以解决图像及文本上的表征学习,但是对网络数据却无能为力。


本次分享将介绍一个强大的异构网络深度学习和推理平台:Structure2Vec。有了它,我们可以更加容易和高效地解决上述复杂的网络表征学习问题。


Structure2Vec提供了一种能够同时整合节点特征,边特征,异构网络结构以及网络动态演化特征的深度学习和推理的嵌入技术,它不仅可以对网络中的节点和边进行推理,还可以对节点,边,甚至子图进行向量化(embedding)。


Structure2Vec产出的特征向量可以与其他机器学习方法进行再融合,比如分类方法、回归方法、生成模型及强化学习方法。



以下为本次分享PPT精华,大数据文摘后台回复“宋乐”,获取完整PPT(57页)。




分享人简介


宋乐(Le Song)是蚂蚁金服人工智能部的首席工程师(Principle Engineer),同时也是佐治亚理工大学计算科学与工程系终身副教授,机器学习中心副主任。他于2008年在Alex Smola的指导下从悉尼大学和NICTA获得机器学习博士学位。2008年至2011年间,在卡内基梅隆大学机器学习系Eric Xing和Carlos Guestrin的指导下进行了博士后研究。在2011年加入佐治亚理工学院之前,他曾是一名Google的科学家。


宋乐教授的主要研究方向是机器学习的大规模算法和高效系统,特别是使用核方法和深度学习方法的图模型的嵌入方法,以及静态和动态网络分析,人工智能、社会科学、计算生物学等跨学科领域里的大规模复杂问题的建模和求解。他获得过很多机器学习方面的顶级国际奖项,包括Recsys’16深度学习研讨会最佳论文奖,AISTATS’16最佳学生论文奖,IPDPS’15最佳论文奖,美国国家自然基金会NSF’14优秀职业奖,NIPS'13优秀论文奖和ICML'10最佳论文奖。历任ICML,NIPS,AISTATS,AAAI,IJCAI等机器学习和AI顶尖会议的研究领域主席,也是机器学习顶尖杂志JMLR及IEEE PAMI的副主编。


宋乐教授个人主页:https://www.cc.gatech.edu/~lsong/


用数学与计算机的方式

解读网络数据之美

一起来听听吧


学习 · 分享 · 交流

这里的数据科学最好玩儿


点击阅读原文

观看本次分享完整视频!

▼▼▼

相关文章
相关标签/搜索