高阶图的表征学习简介丨周四直播·高阶网络读书会

导语

高阶网络读书会由电子科技大学吕琳媛老师、任晓龙老师及中国地质大学（北京）管青老师联合发起，自2022年6月28日开始，每周四晚上19:30-21:30举办，持续时间预计 10-12周。期间，我们将围绕高阶交互网络的基本概念、模型、方法与应用等研究进行研讨，本季读书会分享会按照「基础理论」+「深入理论」+「案例研讨」的模式展开。欢迎对本话题感兴趣的朋友报名参加！详情见文末。

高阶图表征学习可以用来得到系统的低维嵌入与表征，有利于复杂系统的重构、预测等任务。本次分享的内容，主要包括处理高阶图数据的图表征学习算法的最新进展，期望为听众提供一些高阶图数据挖掘的最新方法。

本次分享是综述介绍，主要分为四部分：

1. 经典图表征学习简介

2. 超图的表征学习

3. Simplex/Cell Complex的表征学习

4. 基于依赖的高阶图表征学习

跟读书会主题之间的关系

随着高阶图被用来建模越来越多的真实复杂系统，从海量高阶图数据中有效挖掘关键信息变得日益重要。图的表征学习，是近年来图数据挖掘领域发展最快的一套方法，已经被成功应用于分子、大脑、交通系统、推荐系统和社会网络等众多复杂系统中。

报告内容简介

相比于简单图结构，高阶图结构能够捕获节点之间的高阶交互，被广泛应用于复杂系统的建模，从而产生了丰富的高阶图数据，包括超图数据、Simplex/Cell Complex 数据和基于依赖的高阶网络数据。但是这些数据的处理与分析并不容易，因为他们具有复杂的拓扑结构信息。图表征学习能将图数据嵌入到低维空间，同时有效地保留图的拓扑信息，使得对于图的分析变得容易。针对于高阶图数据，近年来也有相应的表征学习算法被提出。本次分享将介绍分别处理上述三种高阶图数据的图表征学习方法。

【大纲】

图表征学习简介

什么是图表征学习
基于矩阵分解的图嵌入
基于消息传递的图表征学习

超图表征学习

基于随机游走的超图嵌入
基于消息传递的超图表征学习

Simplex/Cell Complex 表征学习

WL图同构测试简介
基于WL的Simplex表征学习
基于WL的Cell表征学习

基于依赖的高阶图表征学习

基于矩阵分解
基于简单图神经网络

总结

【主要涉及到的知识概念】

图表征学习 Graph representation learning

超图 Hypergraph

消息传递 Message Passing

主持人

任晓龙，电子科技大学长三角研究院（湖州），苏黎世联邦理工学院博士，专注于复杂系统与网络中信息挖掘的研究，利用统计物理和复杂网络的理论和方法来解决信息领域中的若干重要问题，包括系统鲁棒性、网络拆解问题，重要节点（群）挖掘，链路预测等。

实验室网站：https://linyuanlab.com/

个人主页：http://networkscience.cn/

主讲人介绍

高飞，北京师范大学系统科学学院2019级博士研究生。主要研究兴趣为：动态消息传递算法，图表征学习，影响力最大化，网络重构。

解读文献

Hamilton, William L. “Graph representation learning.” 2020.
Gao, Yue et al. “Hypergraph Learning: Methods and Practices.” TPAMI 2020
Feng, Yifan et al. “Hypergraph Neural Networks.” AAAI (2019)
Huang, Jing and Jie Yang. “UniGNN: a Unified Framework for Graph and Hypergraph Neural Networks.” IJCAI (2021).
Chien, Eli et al. “You are AllSet: A Multiset Function Framework for Hypergraph Neural Networks.” ICLR (2022)
Bodnar, Cristian et al. “Weisfeiler and Lehman Go Topological: Message Passing Simplicial Networks.” ICML (2021): n. pag.
Bodnar, Cristian et al. “Weisfeiler and Lehman Go Cellular: CW Networks.” NeurIPS (2021).
HONEM: Learning Embedding for Higher Order Networks 2020
Jin, Di et al. “Graph Neural Network for Higher-Order Dependency Networks.” Proceedings of the ACM Web Conference 2022 (2022): n. pag.

直播信息

时间：

2022年9月8日（周四）晚上19:30-21:30

参与方式：

集智俱乐部 B 站免费直播，扫码可预约：

扫码报名

文末扫码付费参加高阶网络读书会可加入腾讯会议，可提问交流，加入群聊，获取回看地址及更多学习资料，成为集智网络科学社区种子用户，与网络科学社区的一线科研工作者沟通交流，共同推动网络科学社区的发展。

高阶网络读书会招募中

随着对现实世界探索的不断深入，人们发现在许多真实的复杂系统中，组成系统的个体之间不仅存在二元交互关系，也广泛存在多个体同时（或以特定顺序）进行交互，即高阶交互现象。为此，研究人员分别发展出了基于超图、单纯复形、依赖关系等的网络高阶表示模型，为复杂网络分析和研究提供了新的思路。为了促进此领域的交流与合作，我们发起了高阶网络读书会。

高阶网络读书会由电子科技大学吕琳媛老师、任晓龙老师及中国地质大学（北京）管青老师联合发起，第一期分享从 6月 28日（周二）20:00 开始，后续每周分享时间为每周四 19:30-21:30 进行，预计持续 10-12 周。这期间，我们将围绕高阶交互网络的基本概念、模型、方法与应用等研究进行研讨，本次读书会分享会按照「基础理论」+「深入理论」+「案例研讨」的模式展开。欢迎感兴趣的朋友参与。