Конференция New Graph ML

Объявление о конференции Learning on Graphs

Машинное обучение на основе графов стало достаточно обширной областью, чтобы заслужить отдельное мероприятие: Конференцию Learning on Graphs (LoG). Первое мероприятие состоится в декабре 2022 года и будет полностью виртуальным и бесплатным для посещения. Мы считаем, что это мероприятие будет стимулировать исследования в этой области, объединяя экспертов и практиков из различных областей и смежных дисциплин.

Это сообщение было написано Организационным комитетом и Консультативным советом конференции LoG. Я являюсь членом последнего.

Поскольку область машинного обучения росла очень быстро, то же самое происходило и с ее многочисленными подобластями. В последнее десятилетие машинное обучение на графах получило широкое распространение, особенно благодаря впечатляющим достижениям в подходах к глубокому обучению графов в последние годы. Это стало большим благом для областей применения, обрабатывающих данные в виде графов, таких как вычислительная химия, транспортные сети, социальные сети, рекомендательные системы или здравоохранение. Графы также можно рассматривать как обобщение других областей (например, сеток или наборов), и использование архитектур машинного обучения на основе графов, где традиционно использовались устоявшиеся модели, такие как CNN и RNN, часто бывает выгодным.

Однако рост также приносит с собой ряд проблем. К настоящему времени существует множество статей об обучении на графах, которые охватывают широкий спектр целей и методологических подходов; ни один исследователь не может уследить за всеми этими аспектами данной области. Таким образом, более целенаправленное распределение рецензентов и высококачественные обзоры необходимы больше, чем когда-либо.

Несмотря на то, что было проведено несколько успешных семинаров, посвященных обучению на графах (в NeurIPS, ICML, ICLR, KDD, WWW, WSDM, AAAI и на других площадках), таких семинаров стало очень много. Например, в последний раз, когда крупный семинар по обучению представлению графов проводился лично (NeurIPS 2019), было зарегистрировано более 1300 участников, что сделало его вторым по популярности семинаром в этом месте и, вероятно, больше, чем многие конференции по машинному обучению. Поскольку такой рост несовместим с ресурсами, доступными для семинаров, недавние семинары высшего уровня, ориентированные на машинное обучение на основе графов, обычно не охватывают все подобласти обучения на графах. Примеры таких целенаправленных мероприятий включают семинары по алгоритмическому мышлению, обнаружению молекул, обучению на графах знаний, машинному обучению на графах в промышленности и тестам обучения на графах. В идеале исследования во всех подобластях обучения на графах должны иметь подходящие места для представления и обсуждения исследований, при этом поддерживая сотрудничество и связи, которые важны, поскольку ключевые идеи часто вновь возникают между специальными подобластями.

Мы считаем, что новая конференция, посвященная обучению на графах, может сыграть важную роль в исследовательском сообществе и позволить изучению машинного обучения на графах выйти за рамки того, что есть сейчас. В этом году с помощью международной команды ведущих мировых исследователей в области изучения графов мы организуем первую конференцию по обучению на графах (Конференция LoG). В наш первый год конференция LoG будет проходить виртуально и будет бесплатной для всех. На конференции LoG будут опубликованы как протоколы заседаний в PMLR, так и неархивные расширенные рефераты. Мы будем использовать OpenReview для процесса проверки прозрачности, и процесс проверки будет двойным слепым. Мы стремимся к более качественным обзорам посредством нашей более целенаправленной конференции и дополнительно поощряем высококачественные обзоры денежными вознаграждениями для лучших рецензентов. Конференция состоится виртуально в декабре 2022 года; более подробную информацию можно найти на нашем сайте. Мы приветствуем любые отзывы и предложения по проведению конференции через эту форму.

Другие места

Рассмотрев другие площадки для работы над машинным обучением или обучением на графах, мы считаем, что конференция LoG сыграет важную роль в этой экосистеме исследований. Общие конференции по машинному обучению, такие как NeurIPS, ICML и ICLR, стали чрезвычайно большими, поэтому они сосредоточены на широком спектре тем, выходящих за рамки графиков. На других конференциях, таких как AAAI, KDD, WWW, WSDM и SIGIR, также недавно было много работ об обучении на графах, но они также охватывают различные темы, ортогональные обучению на графах. В последнее время были основаны новые специализированные площадки, такие как ML4Health, AutoML и Конференция по агентам непрерывного обучения (CoLLAs), а также новый общий журнал TMLR. Мы разделяем некоторые из причин их основания, хотя исследования графового обучения также не могут найти идеального соответствия ни в одном из этих новых мест.

За последние несколько лет также было проведено несколько семинаров, посвященных машинному обучению графов. Многие из этих воркшопов стали очень большими — в GRL+ на ICML 2020 было принято 73 доклада. Любому отдельному семинару стало трудно удовлетворить потребности большого сообщества, работающего над обучением на графах; На AAAI 2022 было даже два отдельных семинара по изучению графов, каждый из которых имел довольно общий характер.

Таким образом, за последние несколько лет были основаны различные семинары, посвященные конкретным подобластям изучения графов. Они охватывают такие темы, как контрольные показатели обучения на основе графов, обучение на основе графов в промышленности, алгоритмические рассуждения, обучение с помощью молекул и многое другое. Мы хотели бы объединить эти сообщества в одном месте, чтобы обеспечить более тесное взаимодействие и сотрудничество между ними. Смешение и перекрестное опыление этих отдельных сообществ уже значительно продвинуло изучение графов: создатели эталонных тестов создают наборы данных из различных областей приложений, популярные нейронные сети графов, первоначально оцениваемые на графах цитирования, стали применяться к бесчисленному множеству других областей, а модели из различных областей. такие области, как обработка естественного языка и физические науки, были объединены общей структурой нейронных сетей на основе графов. Конференция LoG поможет наладить связи между этими разнообразными сообществами исследователей.

Область

Конференция будет охватывать различные области изучения графов в широком смысле. Неисчерпывающий список предметных областей можно найти в разделе Призыв к докладам. Мы приветствуем документы по графическому обучению из прикладных областей, таких как открытие молекул, физические науки, рекомендательные системы, компьютерное зрение, обработка естественного языка и многое другое. Кроме того, мы приветствуем статьи об архитектуре графовых нейронных сетей, экспрессивных графовых нейронных сетях, эквивариантных сетях, ядрах графов, методах масштабируемых графов, моделях генерации графов и так далее. Мы ожидаем охватить широкий спектр теории и приложений, а также работы промышленного и академического характера.

Награды рецензентов

Исследователи во всем мире тратят часы на рецензирование статей для научных конференций, но есть лишь косвенные стимулы для представления высококачественных рецензий. Мы стремимся стимулировать лучшие обзоры с помощью вознаграждений рецензентов, которые сопровождаются денежными подарками. В настоящее время мы ожидаем награду в размере 1500 долларов США каждому из 20 лучших рецензентов. Лучшие рецензенты определяются на основе комбинации отзывов рецензентов и отзывов мета-рецензентов. Мы предоставим более подробную информацию позже.

Благодарности

Мы хотели бы поблагодарить организаторов нескольких семинаров и конференций, которые помогли нам в этом процессе: WWW Workshop on Graph Learning Benchmarks (GLB), WSDM Machine Learning on Graphs Workshop (MLoG), ICLR Workshop on Geometric and Топологическое репрезентативное обучение (GTRL), семинар KDD/AAAI по глубокому обучению на графах (DLG) и симпозиум Машинное обучение для здоровья (ML4H).

Консультативный совет

Регина Барзилай (MIT), Ксавье Брессон (NUS), Майкл Бронштейн (Oxford/Twitter), Стефан Гюннеманн (TUM), Стефани Егелка (MIT), Юре Лесковец (Стэнфорд), Пьетро Лио (Кембридж), Цзянь Тан (MILA/HEC) Монреаль), Джи Тан (Цинхуа), Петар Величкович (DeepMind), Соледад Вильяр (JHU) и Маринка Зитник (Гарвард).

Организаторы

Юаньки Ду (DP Technology), Ханнес Старк (MIT), Дерек Лим (MIT), Чайтанья К. Джоши (Кембридж), Андреа Деак (Мила), Юлия Дута (Кембридж) и Джошуа Робинсон (MIT).