内容简介
图图神经网络（GNNs）在各种图问题上取得了显著成功。虽然大部分研究集中在提高GNNs的性能上，但通常忽视了成功背后的基本机制。这种忽略导致了GNN在现有图任务中仍然存在潜在的风险。GNNs在某些数据集甚至比上世纪的Katz index算法的性能相差甚远。与此同时，和其他领域注重构建多任务多数据集的大模型不同，受限于不同图任务的特殊性和不同图数据的多样性，GNN仍大多局限于单数据集单任务。为了突破上述瓶颈，我们深入研究了节点分类、链接预测任务以及相关GNN基本原理。通过理论和实验的全面支持，我们初步回答了如下问题 （1）图神经网络什么时候有效？什么时候失效？（2）同任务跨图数据集的可迁移信息有哪些？（3）图大模型设计的基本难点是什么？（4）不同图任务跨数据集的可迁移信息有哪些？本次报告主要讨论两篇工作：（1）Demystifying Structural Disparity in Graph Neural Networks: Can One Size Fit All? （2）Revisiting Link Prediction: A data perspective
分享嘉宾
毛海涛是密歇根州立大学的二年级博士研究生，师从汤继良教授。他曾作为第一作者获得了CIKM2021年度最佳短篇论文奖。他的研究兴趣主要集中在以下两个方面：(1) 图任务的理解与新架构设计。(2) 图作为通用机器学习工具的应用。他是WSDM CUP 2023、KDD CUP 2023、KDD workshop 2023和LOG local meetup 2023的（主要）组织者。
