首屆國際聯邦圖學習研討會–FedGraph2022

2025-06-28 15:36 機器學習演算法與自然語言處理


MLNLP 

( 

機器學習演算法與自然語言處理 

)社群是國內外知名自然語言處理社群，受眾覆蓋國內外NLP碩博生、高校老師以及企業研究人員。


社群的願景 是促進國內外自然語言處理，機器學習學術界、產業界和廣大愛好者之間的交流，特別是初學者同學們的進步。

作者 | Han Xie
官方網站：https://sites.google.com/view/fedgraph2022
1
『簡介』
圖資料探勘是AI領域的重要研究方向之一，近些年來，隨著圖神經網路（Graph Neural Networks）的發展，人們能夠對真實的圖資料進行大規模訓練，從而挖掘有價值的資訊以及訓練出更最佳化的模型。然而，圖神經網路的迭代機制使得其在大規模資料集上的訓練需要消耗大量的時間和計算資源，同時，訓練資料集的集中化儲存對儲存資源也有著較高的需求。除此之外，由於對資料隱私的關注，不同組織機構產生的內部資料往往被禁止向外傳輸。這些去中心化的資料儲存以及資料隱私需求促生了一個新的分散式學習子領域，聯邦學習（Federated Learning）。聯邦學習旨在在保護使用者資料隱私的情況下進行合作學習，從而達到使用者間的資訊共享，它為大規模的分散式圖學習提供了一種有效的解決方法。
此次聯邦圖學習研討會（FedGraph2022）旨在促進聯邦圖學習領域研究者們的合作交流，組織者們希望將有著不同背景的、對如何進一步發展聯邦學習在圖領域的研究有著強烈興趣的學者們聚集到一起，加深交流，共同推進聯邦圖學習領域的發展。聯邦學習在自然語言處理和計算機視覺領域已經取得了一定的成功，然而在圖資料探勘領域，它仍然面臨著許多未被探索的挑戰和機遇，因而，建立起聯邦圖學習的社群變得尤為重要。本次研討會歡迎來自圖資料探勘以及聯邦學習領域的研究者們的參與，投稿的研究方向包括（但不限於）圖分析與挖掘（graph analysis and mining）、異質網路建模（heterogeneous network modeling）、複雜資料探勘（complex data mining）、大規模機器學習（large-scale machine learning）、分散式系統（distributed systems）、最佳化（optimization）、元學習（meta-learning）、強化學習（reinforcement learning）、隱私（privacy）、魯棒性（robustness）、可解釋性（explainability）、公平（fairness）、倫理（ethics）、可信賴度（trustworthiness）。
2
『最佳文章獎』
此次研討會將評選出2-3個提供現金獎勵的最佳文章獎（$1000 each），併為部分與會者提供旅途經費。在此特別感謝金智塔（JZTData Technology）, 騰訊（Tencent）, FedML, 以及USC-Amazon Center的支援和贊助。
3
『重要日期』
  • 文章提交：2022.08.15，11:59pm AoE
  • 審稿意見通知：2022.09.15
  • 刊印版提交：2022.10.15
  • 研討會日期：2022.10.21
4
『提交指南』
此次研討會將接收不同型別的投稿，包括理論分析（theoretical analysis），演算法研究和實現（algorithms and implementation），應用（applications），實驗研究（empirical studies），和總結報告（reflection papers）。投稿的話題可包括（但不限於）：
  • 在分散式圖資料集上如何取得與中心化學習相近的模型表現；
  • 如何處理圖挖掘中複雜資料的關聯性與異質性；
  • 當分散式圖資料要求大量使用者交流時，如何規劃使用者數量；
  • 如何透過圖模型研究以達到減少使用者交流或者壓縮傳輸資訊的目的，從而實現訓練有效性；
  • 如何在合作訓練中嚴格保護使用者圖資料的隱私；
  • 對實際的應用，例如知識圖譜構建、推薦系統、醫療檢測，如何適當地評估創新研究的圖神經網路模型和聯邦學習演算法；
  • 如何把聯邦圖學習中的概念和演算法發展到更復雜的資料上，例如異質網路、時空網路、文字資訊網路、多視角網路、點雲、樹、manifolds、和fractals；
  • 如何將聯邦學習演算法與除圖神經網路以外的圖演算法相結合，例如graph kernels、belief propagation、和spectral analysis；
  • 如何基於圖挖掘的原則和技術進一步提升現有聯邦學習系統的最佳化；
  • 如何在聯邦圖學習中保證公平性、倫理和可信賴度。
投稿的形式可包括（但不限於）：
  • 創新的研究型文章（Novel research papers）；
  • 演示型文章（Demo papers）；
  • Work-in-progress papers；
  • Visionary papers (white papers)；
  • Appraisal papers of existing methods and tools (e.g., lessons learned)；
  • Evaluatory papers which revisit validity of domain assumptions；
  • Relevant work that has been previously published；
  • Work that will be presented at the main conference。
為了方便審稿人更好的理解文章的主要貢獻，投稿人需要在文章摘要中寫明投稿形式。投稿必須是PDF格式，使用標準雙欄ACM Proceedings Style，包含所有正文內容、圖、表、引用文獻、和附錄在內不可超過10頁，建議的Latex文字設定是\documentclass[sigconf, anonymous, review]{acmart}。
被接收的文章將會被髮表在研討會官方網站，不影響之後的再次投稿。高質量的被接收文章將有機會被邀請在IEEE Transactions on Neural Network and Learning Systems的專刊上發表（需要額外的審稿）。所有被接收的文章會以海報形式展出，高質量的被接收文章將另有機會參與oral/spotlight展示，並且獲得最佳文章獎。
投稿網址：https://easychair.org/conferences/?conf=fedgraph2022
5
『會議地址』
本次研討會將在美國亞特蘭大舉行，會議地址為：\The Westin Peachtree Plaza Hotel \210 Peachtree St NW, Atlanta, GA, USA 30303
6
『演講人』
Nicolas Papernot
Dr. Nicolas Papernot是多倫多大學電子與計算機工程系的助理教授，同時也是Vector Institute和Schwartz Reisman Institute的教職人員。他的研究方向主要是機器學習中的安全與隱私，他在差分隱私機器學習方向的工作獲得了ICLR 2017最佳文章獎。Dr. Nicolas Papernot擔任了IEEE S&P (Oakland) 的聯合主席，以及NeurIPS的area chair。他博士畢業於賓州州立大學，師從Prof. Patrick McDaniel，畢業之際曾在Google Brain做過一年的research scientist。
Xing Xie
Dr. Xing Xie目前是微軟亞洲研究院的senior principal research manager，中國科學技術大學的客座博士生導師。他於1996年和2001年從中國科學技術大學獲得計算機本科和博士學位，並於2021年七月加入微軟亞洲研究院，主要工作是資料探勘以及social computing and ubiquitous computing。他發表過300餘篇文章，曾獲得過眾多榮譽，例如ACM SIGKDD China 2021 test of time award、the 10-year impact award in ACM SIGSPATIAL 2019、 the best student paper award in KDD 2016、以及the best paper awards in ICDM 2013 and UIC 2010。
Bo Li
Dr. Bo Li是伊利諾伊大學香檳分校計算機系的助理教授。她獲得的榮譽包括：the Symantec Research Labs Fellowship、 Rising Stars、 MIT Technology Review TR-35 award、 Intel Rising Star award、Amazon Research Awards、NSF CAREER Award，以及一些機器學習和安全會議的最佳文章獎。她的研究方向包括安全的理論和實踐研究、機器學習、隱私、遊戲理論、和可信賴的機器學習，並設計了幾個可延展的魯邦機器學習的框架和保護隱私的資料釋出系統。她的工作曾被像Nature、Wired、Fortune和紐約時報之類的主流刊物和媒體報道。
Peter Kairouz
Dr. Peter Kairouz是谷歌的research scientist，他主要研究方向是聯邦學習和隱私保護技術。在加入谷歌前，他曾是斯坦福大學的博士後研究學者。他博士畢業於伊利諾伊大學香檳分校電子與計算機工程系。他獲得的榮譽包括：the 2012 Roberto Padovani Scholarship from Qualcomm's Research Center、the 2015 ACM SIGMETRICS Best Paper Award、the 2015 Qualcomm Innovation Fellowship Finalist Award、the 2016 Harold L. Olesen Award for Excellence in Undergraduate Teaching from UIUC。
Salman Avestimehr
Dr. Salman Avestimehr是南加州大學的Dean's Professor，南加大-亞馬遜中心（USC-Amazon Center on Secure and Trusted Machine Learning (Trusted AI)）的inaugural director，同時也是亞馬遜Alexa AI的Amazon Scholar。他於2005年和2008年從加州大學伯克利分校獲得計算機碩士學位和電子工程博士學位。他的研究方向包括資訊理論、大規模分散式計算和機器學習、安全和隱私計算/學習、以及聯邦學習。Dr. Salman Avestimehr獲得過的榮譽包括：the James L. Massey Research & Teaching Award from IEEE Information Theory Society、an Information Theory Society and Communication Society Joint Paper Award、a Presidential Early Career Award for Scientists and Engineers (PECASE) from the White House (President Obama)、a Young Investigator Program (YIP) award from the U. S. Air Force Office of Scientific Research、a National Science Foundation CAREER award、the David J. Sakrison Memorial Prize，以及一些會議的最佳文章獎。
Carl Yang
Dr. Carl Yang是埃默裡大學的助理教授。他本科畢業於浙江大學計算機與工程系，後於2020年從伊利諾伊大學香檳分校獲得計算機博士學位。他的研究方向包括圖資料探勘、應用機器學習、知識圖譜、和聯邦學習，以及它們在推薦系統、生物醫學資訊、神經科學和醫療健康領域的應用。他曾在包括TKDE、KDD、WWW、NeurIPS、ICML、ICLR、ICDE、SIGIR、ICDM的頂會上發表過文章，獲得過ICDM（2020）和KDD Health Day（2022）最佳文章獎、Dissertation Completion Fellowship of UIUC（2020）、以及Dissertation Award Finalist of KDD（2021）。
7
『組織者』
  • Carl Yang, 美國埃默裡大學
  • Xiaoxiao Li, University of British Columbia
  • Nathalie Baracaldo, IBM Research
  • Neil Shah, Snap Research
  • Chaoyang He, FedML Inc.
  • Lingjuan Lyu, Sony AI
  • Lichao Sun, 美國裡海大學
  • Salman Avestimehr, 美國南加州大學
8
『志願者』
  • Han Xie 美國埃默裡大學
  • Hejie Cui 美國埃默裡大學
  • Emir Ceyani 美國南加州大學

關於我們

MLNLP社群  ( 機器學習演算法與自然語言處理 ) 是由國內外自然語言處理學者聯合構建的民間學術社群，目前已經發展為國內外知名自然語言處理社群，旗下包括  萬人頂會交流群、AI臻選匯、AI英才匯  以及  AI學術匯  等知名品牌，旨在促進機器學習，自然語言處理學術界、產業界和廣大愛好者之間的進步。
社群可以為相關從業者的深造、就業及研究等方面提供開放交流平臺。歡迎大家關注和加入我們。

相關文章