直播 | ICML 2021论文解读：具有局部和全局结构的自监督图表征学习

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到上海交通大学硕士生徐明皓，为大家在线解读其发表于 ICML 2021 的最新工作：Self-supervised Graph-level Representation Learning with Local and Global Structure。对本期主题感兴趣的小伙伴，7 月 6 日（周二）晚 7 点，我们准时相约 PaperWeekly B 站直播间。

直播信息

对化学、生物等科学领域中所涉及的图结构数据进行属性标注往往需要昂贵的时间和资源成本，因而如何用自监督的方式学习图表征越来越受到研究者们的关注。本次报告以该问题为出发点，致力于探讨如何学习合适的图表征，使其在隐空间中同时保持局部实例级别结构和全局语义级别结构。

论文标题：

Self-supervised Graph-level Representation Learning with Local and Global Structure

论文链接：

https://arxiv.org/abs/2106.04113

代码链接：

https://github.com/DeepGraphLearning/GraphLoG

本次分享的具体内容有： 

• 背景介绍：深度聚类学习

• 相关工作：基于传统聚类和对比学习的方法

• 所提出方法：具有局部和层次化全局结构的图表征学习

• 实验结果：定量与可视化分析

• 总结：报告总结与未来展望

嘉宾介绍

 徐明皓 / 上海交通大学硕士生 

徐明皓，上海交通大学二年级硕士生，本硕期间在上海交大 AI300 实验室进行科研工作，导师是倪冰冰教授；同时在 Mila 魁北克人工智能研究所担任研究助理，导师是唐建教授。主要研究方向为迁移学习、图表征学习和药物发现。在 ICML，CVPR，ECCV 和 AAAI 上以第一作者身份发表论文四篇。

直播地址 & 交流群

本次直播将在 PaperWeekly B 站直播间进行，扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后，嘉宾还将在直播交流群内实时 QA，在 PaperWeekly 微信公众号后台回复「AI Drive」，即可获取入群通道。

B 站直播间：

https://live.bilibili.com/14884511

合作伙伴

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！