2021年12月，图机器学习领域的四位著名学者受邀为我系师生做了题为“图机器学习的前沿应用与现存挑战”系列线上讲座，四次报告皆由我系王杰教授主持。按时间顺序，简要介绍各讲座情况如下——

2021年12月7日, Mila-Quebec人工智能研究所唐建博士受邀做题为“几何深度学习在药物发现方面的应用”的讲座。

药物的发现是一个漫长而昂贵的过程，平均花费超过10年以及大约25亿美元去研制一种新药。人工智能通过从大量的生物医学数据中提取数据，具有显著加速药物发现过程从而彻底改变了整个制药行业的潜力。特别地，图形表示学习和几何深度学习是机器学习和数据挖掘领域的一个快速发展的主题，主要关注图形结构和三维数据的深度学习。由于该领域中的许多数据都表示为图形或三维结构，因此，图形表示学习和几何深度学习为药物发现带来了巨大的机遇（例如：分子、蛋白质、生物医学知识图谱）。

在讲座中，唐建博士首先从药物研发的一个基本流程出发，介绍了对于一种特定的疾病，我们通常会找到一个药的蛋白质靶点。随后系统地解释了如何在药物发现阶段和已知的蛋白质靶点绑定，并在优化环节对药物的各种性质进行优化，比如减低药物的毒性和优化和已知靶点的亲和力。随后唐建博士从两部分展开讲解，第一部分是如何用AI学习分子图并完成分子生成的任务，第二部分就是基于这个分子去如何搜索比较理想的分子结构。在讲解完药物发现的几何深度学习方面的最新进展之后，唐建博士最后还介绍了一个新发布的药物发现的开源机器学习平台TorchDrug。

讲座结束后，唐建博士认真回答了老师和同学们的问题。最后，唐建博士深入浅出的讲解赢得了师生们的一致好评，本次学术讲座在热烈的掌声中圆满结束。

2021年12月9日，密歇根州立大学计算机科学与工程系汤继良副教授受邀带来了系列讲座的第二场，题为“The Good，the Bad and the Ugly of AI”（人工智能的善恶丑）。汤教授重点分享了人工智能目前存在的不足和解决方案，同时简要介绍了他们在图对抗攻击领域的工作，指出实现可信人工智能还需要多个领域学者们的共同努力。

人工智能技术在商业、医疗、教育等多个领域取得了巨大成功，诸如人脸识别、聊天机器人、疾病诊断、自动驾驶、游戏AI等都离不开它的身影。然而，当前的人工智能技术也存在诸多不足，面临着可解释性、隐私性、安全与稳健性、公平性等方面的挑战。此外，深度模型的训练给环境带来了较大的压力，人工智能技术在如自动驾驶、医疗诊断等领域应用的伦理性和责任制问题尚未得到较好的解决。

汤继良副教授从实现可信人工智能的角度出发分析了需要重点解决的问题、想要达到的目标及当前已有的针对性解决方案。

最后，汤继良副教授表明，实现真正的可信人工智能还有很长的路要走，启发大家在各自的领域上不断探索和努力。讲座结束后，汤继良副教授对在场师生提出的如何在人工智能领域做出有成果的工作、人工智能技术最重要的基石等问题进行了详细解答，以身说法鼓励大家在研究生活中不要畏惧失败和困难，专注、耐心，等待成功。本次讲座最终在热烈的氛围中圆满结束。

2021年12月16日，伊利诺伊大学香槟分校童行行副教授受邀做题为“NetFair：朝着公平的图挖掘算法”的讲座。

在本次讲座中，童教授首先介绍了图结构数据与相关的图挖掘问题，进而引出了本次讲座的主题：图挖掘算法的公平性。针对这一主题，童教授详细介绍了由他和他的学生共同提出的创新性方法，并讲解了其中的设计动机与数学细节。最后，童教授展望了图数据挖掘与公平性这一主题的未来发展趋势，鼓励大家在这一领域持续探索，做出优异的成绩。

在世界的每个角落，图数据结构是无处不在的，比如协作网络、国家电网、交通网络、大脑神经网络、生物网络等等，这些数据往往蕴含着海量的有用信息。为了有效利用这些信息，很多图数据挖掘算法应用而生。这些算法有些是关于“谁”和“什么”的问题，有些是关于“为什么”和“怎样做”的问题。而在“怎样做”的问题中，“怎样衡量一个图挖掘算法是公平的”是本次讲座主要讨论的问题。从这一问题出发，童教授从度量、算法、计算资源消耗这三个方面详细介绍了他和他的学生共同提出的InFoRM方法，此方法具有清晰明了的问题建模，严谨扎实的数学支撑，卓越突出的实验结果，受到了老师和同学们的一致称赞。

讲座结束后，童教授认真回答了老师和同学们的问题，并展望了图数据挖掘与公平性这一主题的未来发展趋势，鼓励大家在这一领域持续探索，做出优异的成绩。

2021年12月27日，德州农工大学姬水旺教授受邀做题为“量子化学和量子物理中的图计算”的讲座。

在本次讲座中，姬水旺教授重点分享了深度学习技术在量子化学与量子物理中的应用，并具体讲解了图深度学习技术在建模量子系统的三维结构中所采用的研究思路与方法，启发大家利用深度学习技术来助力基础学科问题的探索。

深度学习技术在量子化学与量子物理领域的应用越来越受到关注。现有研究集中在设计各种图神经网络来对量子系统进行预测，或者使用深度生成模型来生成量子系统的结构。量子系统（例如药物分子）一个特点是其结构是三维的，这对于图深度学习技术提出了新的挑战。针对这一问题，姬水旺教授分享了一种新的图深度学习技术 SphereNet 来处理三维的图结构，它可以同时考虑三维结构中蕴含的距离、角度、扭转信息。通过对比可以发现，SphereNet 在保证较高计算效率的情况下，在相关基准数据集上的性能表现优异。另外，针对三维图学习问题，姬水旺教授分别开发了两个不同的代码框架 DIG 和 MoleculeX，并在其中实现了领域最新的相关模型。

最后，姬水旺教授展望未来，指出深度学习技术在解决基础学科的问题上还有很多值得探索的方向。

至此，图机器学习系列学术讲座圆满结束，赢得了参会的各院系老师和同学们的一致好评。