MLNLPB站官方賬號更新第七期研討會影片!

MLNLP

(

機器學習演算法與自然語言處理

)是國內外最大的自然語言處理社群之一,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和進步。

為了方便同學們回顧MLNLP往期研討會內容,我們會將往期研討會影片逐步開放上傳至bilibili。

目前,第七期研討會錄製影片已在bilibili開放,為方便大家觀看,影片已按講者進行分p,影片連結如下:https://www.bilibili.com/video/BV1vY411u75p
以下是第七期講者嘉賓的個人資訊以及影片簡介
唐建
唐建博士,現任加拿大蒙特利爾學習演算法研究所 (Mila) 以及蒙特利爾大學商學院助理教授,加拿大人工智慧研究主席(CIFAR AI Research Chair);主要研究方向為圖表示學習、圖神經網路,生成模型、知識圖譜,和藥物發現。他曾獲得 ICML2014最佳論文獎, WWW2016最佳論文提名,Amazon及騰訊教師研究獎等。他是圖表示學習領域的代表性人物,發表了圖表示學習領域一系列代表性的工作如 LINE、LargeVis、RotatE 等,多次擔任 NeurIPS,ICML領域主席。他的團隊近期開源了基於機器學習的藥物研發系統,受到廣泛關注。個人主頁:https://www.jian-tang.com
  講者介紹:黃柯鑫
黃柯鑫,斯坦福大學計算機科學系博士一年級,師從Jure Leskovec教授,哈佛公共衛生學院碩士。研究方向為圖機器學習方法以及其在生物醫藥的應用。曾於Pfizer,Flatiron Health,IQVIA,Rockefeller University,Dana Farber等機構做機器學習研究。相關工作發表於NeurIPS、 Cell Patterns、Bioinformatics 等會議/期刊上,被MIT Technology Reviews等媒體報道。個人主頁:https://www.kexinhuang.com/
  報告摘要
近幾年來,隨著機器學習的不斷發展,機器學習技術在生物製藥領域的應用正在逐步改變製藥行業。本次報告將專注於AI製藥這個話題,對如何用機器學習方法來解決有意義的生物醫藥問題進行探討。具體地,本次報告將圍繞第一個機器學習在生物醫藥的大規模資料集TDC(Therapeutics Data Commons)來介紹生物醫藥中多樣的資料型別和問題,與其帶來的新的機器學習方法上的挑戰。
  講者介紹:史晨策
史晨策,蒙特利爾學習演算法研究所(Mila)二年級博士研究生,師從唐建老師。他是北京大學第一屆圖靈班畢業生。他的主要研究方向包括圖表徵學習,幾何深度學習與圖結構預測,以及它們在基礎自然學科中的應用。在NeurIPS/ICML/ICLR等會議上發表數篇第一作者論文。個人主頁:https://chenceshi.com/
  報告摘要
對稱性 (Symmetry) 在物理系統中無處不在。例如,空間平移不變性(動量守恆),分子構象(conformation), 蛋白質(protein)或點雲(point cloud)的旋轉對稱性。在建模物理系統時,賦予深度學習模型這種歸納偏置對於模型的訓練和泛化能力都至關重要。本次報告將從物理系統的對稱性出發,簡單回顧複雜圖(如分子,蛋白質)結構預測模型對物理系統對稱性的建模。涉及的技術主要包括平移旋轉不變的梯度場估計(ConfGF),平移旋轉不變的圖神經網路(EGNN),以及基於(剛體)相對座標系的結構建模(AlphaFold2)。
  講者介紹:王翔
王翔,中國科學技術大學特任教授、博導。2019年於新加坡國立大學取得計算機科學博士學位,師從Chua Tat-Seng教授。研究方向包括資訊檢索與推薦、資料探勘、可解釋與可信人工智慧、圖深度學習等,在相關CCF A類國際頂級會議和期刊發表論文50餘篇,包括TPAMI、NeurIPS、SIGIR、KDD、CVPR、IEEE S&P等,谷歌學術引用5300餘次。在2022年AI 2000人工智慧最具影響力學者“資訊檢索與推薦”領域排名第13。擔任眾多頂級期刊、會議審稿人與程式委員。個人主頁:http://staff.ustc.edu.cn/~xiangwang。
  報告摘要
隨著圖神經網路(GNN)的日益成功,GNN 的可解釋性引起了相當大的關注。作為一種流行的生成事後解釋(Post-hoc Explanation)的技術,特徵歸因將 GNN 的預測分佈到輸入圖的特徵上,從而突出顯著特徵。然而,目前的工作主要集中在統計可解釋性上,難以區分輸入特徵對結果預測的因果影響和非因果影響,並且幾乎無法量化特徵之間的冗餘,從而導致事後解釋失真。在本次報告中,王翔將介紹兩種新型方案:基於多粒度的類“預訓練-精調”事後解釋,基於強化學習的“因果篩選”事後解釋,並進一步針對事後解釋衡量框架的失真性進行探索,引出基於不變學習的內在可解釋(Intrinsically Interpretable)圖神經網路,不僅可以使得預測透明化,而且還可以增強模型的泛化能力與魯棒性。
  講者介紹:郭若城
郭若城,2021年獲亞利桑那州立大學(ASU)計算機工程專業博士學位,師從劉歡教授。香港城市大學助理教授。研究方向為因果機器學習,圖機器學習,有社會責任的 AI等。他擔任過國際期刊TKDE、TKDD、JAIR、TMLR的審稿人,以及ICML、Neurips、ICLR、SIGKDD、WSDM、WWW、 ACL、AAAI、IJCAI、ICWSM等國際學術會議的程式委員。在重要學術期刊ACM CSUR和資料探勘領域重要國際學術會議SIGKDD、WSDM、IJCAI、ICWSM等發表學術論文30餘篇。他曾獲ASU傑出計算機科學博士生獎項。個人主頁:https://rguo12.github.io/
  報告摘要
如今反事實這個概念在機器學習、自然語言處理、資料探勘等領域的論文中被反覆提及。在本次報告中,我們首先用因果推斷的語言介紹什麼是反事實。然後介紹圖資料上的兩個與反事實相關的問題,即反事實推斷和反事實公平性。
也歡迎大家關注我們的bilibili賬號,MLNLP-World,以檢視後續的活動直播以及影片!
第八期研討會即將在6月26日舉行,歡迎大家屆時報名參加!

關於我們

MLNLP(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最大的自然語言處理社群之一,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