セミナー情報

【第70回AIセミナー】グラフニューラルネットワークやグラフ表現学習の最前線

終了しました。

グラフは多様なアプリケーションで利用されている柔軟かつパワフルなデータ構造です。グラフニューラルネットワークを始めとするグラフ表現学習は、そのグラフを対象に深層学習技術を適用した研究分野で、近年高い注目を集めています。従来のCNN や RNN 等の深層学習では扱うことができなかった非ユークリッド問題を扱うことができます。本セミナーでは、その最先端を走るお二人の講師をお招きして、研究の現状や動向になどについてご講演いただきます。

※ ２番目にご登壇の Peng Shaowenさんは、英語でのご講演です。通訳はありません。

名称	【第70回AIセミナー】グラフニューラルネットワークやグラフ表現学習の最前線
日時	2023年10月17日（火） 15:00 - 17:00
受付時間	接続可能時間：14:50-17:00
場所	Zoomウェビナーによるオンライン開催 ※お申し込み後に自動配信されるメールにて参加URLをご案内いたします。
定員	500
参加費用	無料
連絡先	人工知能セミナー窓口
注意事項・定員になり次第締切ります。・産総研は、お送りいただいた情報をセミナー運営以外の目的には使用しません。・講演の録画やアップロードはご遠慮ください。

プログラム

15:00 - 16:00	グラフニューラルネットワークによる構造データ機械学習村田剛志（東京工業大学教授）
	概要深層学習を構造データに対して適用するグラフニューラルネットワークの研究が近年非常に盛んになってきている。構造データにおける分類や予測を高精度に行うことができれば、例えば推薦システム、自然言語処理、交通量予測などへの応用が期待できる。その一方で、グラフを扱う際の固有の問題やチャレンジがあることも指摘されてきている。本講演では、グラフニューラルネットワークの基本的な内容および主要な研究について紹介するともに、現在取り組んでいる応用事例についても述べる。
	略歴 1990年東京大学理学部情報科学科卒業。 1992年同大学院理学系研究科修士課程修了。東京工業大学工学部助手、群馬大学工学部助手、同講師、国立情報学研究所助教授、科学技術振興事業団さきがけ研究21研究員(兼任)、東京工業大学大学院情報理工学研究科助教授を経て、2020年より現職。人工知能、ネットワーク科学、機械学習の研究に従事。講演資料 PDF: 6,046KB
16:00 - 17:00	Less is More: Removing Redundancy of Graph Convolutional Networks for Recommendation Peng Shaowen（京都大学　博士後期課程）
	概要 While Graph Convolutional Networks (GCNs) have shown great potential in recommender systems and collaborative filtering (CF), they suffer from expensive computational complexity and poor scalability. In this work, we unveil the redundancy of existing GCN-based methods in three aspects: (1) Feature redundancy. By reviewing GCNs from a spectral perspective, we show that most graph features are noisy for recommendation; (2) Structure redundancy. By providing a deep insight into how user/item representations are generated, we show that what makes them distinctive lies in the spectral graph features, while the core design of GCNs (i.e., neighborhood aggregation) is not the key making GCNs effective; and (3) Distribution redundancy. Following observations from (1), we further show that the number of required spectral features is closely related to the spectral distribution, where important information tends to be concentrated in more (fewer) spectral features on a flatter (sharper) distribution. To remove these three kinds of redundancies, we propose a Simplified Graph Denoising Encoder (SGDE) only exploiting the top-K singular vectors without explicitly aggregating neighborhood, which significantly reduces the complexity of GCN-based methods.
	略歴 Shaowen Peng is a Ph.D. candidate at the Department of Social Informatics, Kyoto University. His research interests span recommender systems and graph learning. He has published several papers in premier conferences and journals such as SIGIR, CIKM, TOIS, etc. 講演資料 PDF: 1,365KB