2023-3-17

3月15日上午，人工智能数学理论系列报告第四场邀请南京审计大学统计与数据科学学院吕绍高教授作了题为“Generalization of Graph Neural Networks and Graph Structural Learning for Robust Representation”的线上报告，报告会由中科院数学与系统科学研究院张新雨研究员主持，超过100人在线参与了本场报告。

报告主要围绕图神经网络的泛化能力和图结构学习两个方面展开。吕绍高教授首先介绍了图结构数据的适用范围、基于图的学习框架以及图神经网络在实际场景中的应用。接着，他详细讲解了图神经网络的常用模型（如GCN、GraphSAGE和GAT）以及核心的信息传递更新框架。随后，介绍了图神经网络的Rademacher复杂度作为一种算法泛化能力的度量，并给出了 Lp-正则化图神经网络的近端随机梯度下降（proximal SGD）的一致稳定性上界。受理论发现的启发，吕教授提出了一种新的图结构学习方法，用于生成邻接矩阵以实现鲁棒的表示和学习。他还展示了在实际图数据上进行的若干实验，验证了所提出的方法在图神经网络上具有良好的表现。

吕绍高现为南京审计大学统计与数据科学学院教授，博士生导师。2011年毕业于中国科大-香港城市大学联合培养项目，获得理学博士学位。主要研究方向是统计机器学习，当前研究兴趣包括联邦学习、再生核方法以及深度学习与图神经网络。迄今为止在SCI检索的国际期刊上发表论文30多篇，长期担任人工智能顶级会议“NeurIPS”、“ICML”、“AAAI”以及“AIStat”程序委员或审稿人。