現在位置:首頁 > 學術會議
【2021.04.07-04.07 Zoom会议】中科院-华为●ICT领域的数学专题研讨班之一:图网络理论与应用
2021-04-01 | 编辑:

圖網絡模型、理論和算法在許多前沿領域顯示了強大的基礎性作用,並得到廣泛應用。爲了進一步探討圖分析、圖計算、圖神經網絡等技術的理論與應用,中國科學院數學與系統科學研究院和華爲技術有限公司于202147日聯合舉辦圖網絡理論與應用專題研討會(線上),歡迎各位專家參加。

我們邀請華爲公司的專家,講解圖網絡理論在華爲公司産品和技術中的應用情況和需要解決的問題,希望各位專家共同討論如何促進圖網絡理論的進一步發展,以及解決圖網絡理論在實際應用中的各類問題。

視頻會議鏈接:

https://welink-meeting.zoom.us/j/846655536ID846 655 536

注:

1)本會議免費,可隨時接入,但接入數量有限,如果因接入人數過多而無法接入,則請關注本通知的刷新,後續將會附上視頻錄播的網址;

2)請把鏈接複制到浏覽器中打開。第一次使用此會議系統可能需要安裝相應的軟件,具體見浏覽器的提示;

3)進入界面時,如果要求輸入姓名,請輸入真實姓名,以方便記錄會議相關的信息;

4)有進入會議相關的問題,請聯系:華爲技術有限公司,吳老師,13510030101;

5)如果對于各個議題有相關的建議或者解決方案,可以聯系:

華爲公司戰略研究院,艾超:aichao@huawei.com,吳瑾:lion.wujin@huawei.com

中科院數學與系統科學研究院,闫桂英:yangy@amss.ac.cn

 

主持:闫桂英 中科院数学与系统科学研究院

報告題目

報告人

時間(PM

嘉賓講話:中科院數學與系統科學研究院馬志明院士

 

13:30-13:45

嘉賓講話:華爲全球技術合作副總裁艾超

 

13:45-14:00

1. Potential research topics on graph theory

李萍

14:00-14:30

2. 圖算子的數學抽象

周敏奇

14:30-14:55

3. 語義二部圖社群發現

楊宇言

14:55-15:20

4. 網絡評估/關鍵節點評估

楊蕾蕾

15:20-15:45

5. 圖神經網絡相關問題

李洪敏

15:45-16:15

6.圖神經網絡在目標檢測、神經網絡架構搜索的一些應用和討論

徐航

16:15-16:45

7.圖神經網絡在硬件設計中網表表征、推薦搜索等大規模實際場景中的應用難點

張瑩雪

胡瑤晨

16:45-17:10

8.基于圖根因推理算法

王強

17:10-17:35

討論

 

 

總結

馬志明

 

 

摘 要

 

1Potential research topics on graph theory

1) Research on the theory of graph limit (flag algebra, graphon and so on). For instance, the relation between information theory and graph limit.

2). Algorithmic and theoretic problems of partitioning graphs and hypergraphs.

2、圖算子的數學抽象:

E.F Codd 通過關系代數來抽象關系模型上的操作(關系數據庫的計算核心);圖算子數學抽象(需要新突破):圖模型能夠更好表征真實世界,但是需要通過新的數學抽象,來抽象圖上的操作(圖路徑匹配,圖論算法等);可能是圖代數,或者其他數學抽象方式,圖算子與關系操作的操作差別:關系代數無序,但是圖路徑遍曆有序,關系代數是線性計算,但是圖是多分支計算。

3、語義二部圖社群發現

在企業級應用中,社群識別類算法可以幫助社群營銷、網絡安全監控、企業推薦等場景中應用。研究發現多數企業場景都屬于二部圖的結構,一個節點往往伴隨多個維度的特征。然而傳統的社群圖譜只涵蓋人與其社會關系也就是同構圖,劃分方法更多依賴圖的原始結構,缺少對語義特征的考慮。因此我們需要研究出一種基于語義二部圖的社群劃分算法,能夠幫助在企業語義多特征二部圖場景中的社群聚類劃分應用,甚至支持重疊社群識別應用。問題:

1)如何規避社群結果震蕩?

2)對于此類無監督任務,除了傳統模塊密度的指標,如何驗證社群分布的合理性跟業務目標的契合度?

4、網絡評估/關鍵節點評估:

在實際應用中,常需要在圖中找一些關鍵的節點。例如:華爲雲的部署結構就是一張網絡,網絡上有一些節點是關鍵且脆弱的,一旦節點不可用,會影響到整張網絡或者局部網絡;公司的産品采購可以形成一張産品-采購件-供应商的网络,某些采購件/供應商是比較關鍵的節點,一旦供應出現問題,會大範圍影響到産品和合同履行,影響到項目進度;需要提前識別出這些節點和風險,並制定相應的策略。問題:1)網絡結構多樣化,特征多,節點評估算法也有很多,如何選擇合適的算法?2)網絡的節點關系多,變化快,整張圖進行計算,對資源消耗大,耗時長,有沒有精度損失不大的采樣算法?

5、圖神經網絡相關問題:

GNN over-smooth問題:在圖神經網絡的訓練過程中,隨著網絡層數的增加和叠代次數的增加,每個節點的隱層表征會趨向于收斂到同一個值。怎樣解決這個問題,實現更深層的GNN,提高GNN的特征表達能力?

可導的Random walk embedding設計:基于Random walk embedding怎样实现和下游任务联合优化,或者設計可導的random walk embedding

可解釋性問題GNN不可解釋,怎麽使得GNN提取的特征具有可解釋性;把GNN用于圖上的優化任務時,怎樣解釋GNN提取的特征和優化任務的關系?

6、图神经网络在目标检测,神經網絡架構搜索的一些应用和討論:

  圖神經網絡由于其良好的易用性以及可解釋性,在深度學習各種任務中都得到了應用以及驗證。我們將介紹諾亞實驗室的圖神經網絡在目標檢測,神經網絡架構搜索的兩個工作:Reasoning-RCNN以及BONAS。在目標檢測任務中,圖神經網絡用于捕捉和建模物體與物體之間的關系,並通過學到的關聯關系的增強特征來增強檢測效果。在神經網絡架構搜索的任务中,图神经网络用于刻画不同神经网络的图结构,并将学到的神经网络的图特征用于下一步贝叶斯优化中,取得了良好的效果。还将討論图神经网络在应用中的一些实际问题及难题。

7. 图神经网络在硬件設計中网表表征、推荐搜索等实际场景中的应用难点

图神经网络作为深度学习中较新的探索领域得到了很多的关注,也有不断涌出的新算法和新应用场景,然而其验证数据场景通常规模较小,对拓扑数据的假设较为简单(同构无向图)。在真实应用场景经常会遇到更复杂更大规模的拓扑数据类型,应用经典的图神经网络框架会遇到可拓展性差、由于邻居采样导致的模型收敛较慢、无法处理复杂交互关系和无法实现不同拓扑结构之间表征迁移等问题。我们将分享诺亚实验室在大规模实际场景中图神经网络应用所积累的经验和难点问题提炼,并利用图神经网络在硬件設計中网表表征以及推荐搜索两大重点应用场景作为具体实例,重点討論当前遇到的难点问题和目前自研的解决策略。

8. 基于圖根因推理算法

ITAIOPS場景中,涉及問題的自動發現,根因的智能定位:基于對象的靜態關系(拓撲、依賴、部署、調用等關系)和動態指標/告警/異常的挂接關系等多維度數據:

1)基于圖時空的異常事件識別:現狀:當前異常檢測,多數通過時序的預測的方法識別異常,涉及靈敏度的問題,准確度不是太高。 期望A:基于圖結構結合時空信息,能夠自動的發現異常,提升異常檢測的效果,B:通過圖的時空信息,能夠對當前檢測的異常/告警降噪/彙聚。 

2)基于事件的根因推理:現狀:在企業應用中,在多種因素相互影響的情況下,准確的識別出根因非常困難。並且在事件的傳導鏈很長、中間狀態缺失下准確的進行根因推理也是一個難點。期望A:在信息完備情形下,異常事件/告警,推理異常/告警的根因,自動給出所有異常傳播鏈,並輸出不同傳播圖的置信度。 B:模糊推理:在事件圖(含長事件傳導鏈、含中間狀態缺失)中進行高准確率(90%+)的根因識別。

3)圖神經網絡的小樣本半監督學習:現狀:企業應用中,標記樣本非常稀缺。目前AI深度學習模型雖然精度高,但是需要大量的樣本數據進行學習,但標注成本很高,而且如何獲取大量標注樣本一直是業界難題。期望: 使用图神经网络进行小样本半监督学习,保证在少量样本基础上,达到和深度学习接近的精度(90%)。

 

附件下載:
 
 
【打印本頁】【關閉本頁】
電子政務平台   |   科技網郵箱   |   ARP系統   |   會議服務平台   |   聯系我們   |   友情鏈接