图深度学习除了可以应用于标准图推理任务以外，还广泛应用于推荐、疾病或药物预测、自然语言处理、计算机视觉、交通预测等领域。
可见，基于图的深度学习不仅有助于挖掘现有图数据背后的丰富价值，而且还通过将关系数据自然地建模为图，有助于推进其他学科的发展，极大地扩大了基于图的深度学习的适用性，促使图的深度学习受到了广泛的欢迎。今天特地为大家整理了一些基于图深度学习的前沿工作，限时免费哦~
CogDL：助力图机器学习的研究与应用
01
主讲人
岑宇阔/嘉宾
02
嘉宾介绍
清华大学计算机系博士生，师从唐杰教授。研究方向为图机器学习与推荐系统，以第一作者的身份在KDD/TKDE等国际知名会议和期刊上发表多篇论文。
目前主要负责图机器学习工具包CogDL。CogDL在github上已有900多个星标，吸引了国内外学者的广泛关注。
03
分享内容
1. 图机器学习简介
2. 图神经网络模型基础
3. 前沿图神经网络研究介绍
4. 图机器学习工具包CogDL介绍
04
报名方式
免费报名并加入交流群
请备注关键词【33】
基于图神经网络为群体机器人构建信息分享机制
01
主讲人
李庆标/嘉宾
02
嘉宾介绍
英国剑桥大学计算机系Prorok Lab博士生（师从 Dr Amanda Prorok）。博士期间主要研究有意识进行信息交换的群体机器人运动规划算法。主要探索基于图神经网络（GNN）为群体智能以及群体机器人构建信息沟通频道，使得群体机器人之间可以学习如何更有效进行显性的信息交换。研究工作可以用于随需响应（mobility-on-demand systems）, 自动化仓储物流，以及智慧城市。
发表顶会期刊论文10+篇，多次担任国际著名期刊T-RO, RA-L ，ICRA,IROS，AAMAS的审稿人。并受邀在浙江大学，上海交通大学，宾夕法尼亚大学和美国东北大学以及微软剑桥研究院，腾讯Robotics X做专题报告。
硕士就读于由杨广中教授和Ara Darzi爵士在帝国理工学院创立的Hamlyn Centre, 主要研究医疗机器人及医疗图像引导干预的现代医学技术。在Prof Daniel Elson的指导下，进行了为期八个月的关于用多光谱图像进行血氧饱和度估计的独立研究。在此加入Hamlyn Centre前，毕业于爱丁堡大学机械工程系。
03
分享内容
GNNs: from the concepts into its potential
GNN in MAPF from simulation into real world
Research work: GNN in MAPF
04
报名方式
免费报名并加入交流群
请备注关键词【33】
图机器学习中的数据增强技术
01
主讲人
赵通/嘉宾
02
嘉宾介绍
圣母大学（University of Notre Dame）五年级博士生，即将作为research scientist加入Snap Research。曾获得Snap和亚马逊的奖学金。研究兴趣包括图机器学习、图表征学习和异常检测。论文多次发表在KDD、AAAI、CIKM、TNNLS、TKDE等顶级会议和期刊上。
曾担任众多知名会议（如KDD、NeurIPS、ICLR、AAAI等）及期刊（如TNNLS、TKDE等）的程序委员会委员和审稿人。The Machine Learning on Graph (MLoG) workshop (WSDM 2022)的组织者。
03
分享内容
1. 图机器学习及数据增强技术简介
2. 用于节点分类任务的图数据增强技术
3. 用于链路预测任务的图数据增强技术
04
报名方式
免费报名并加入交流群
请备注关键词【33】
