导语
分享内容简介
分享内容简介
分享内容大纲
分享内容大纲
基于相关性的图神经网络结构推断：
对每条连边独立建模的复杂系统结构推断
对子图联合建模的复杂系统结构推断
基于因果干预的图神经网络结构推断：
Judea Pearl因果之梯
因果注意力图神经网络
主要涉及到的知识概念
主要涉及到的知识概念
结构推断 (structural inference)
图神经网络 (Graph Neural Network, GNN)
变分自编码器 (Variational Auto-Encoder, VAE)
贝叶斯推断 (Bayesian inference)
讲者介绍
讲者介绍
参考文献
参考文献
Kipf, T., Fetaya, E., Wang, K. C., Welling, M., & Zemel, R. (2018, July). Neural relational inference for interacting systems. In International Conference on Machine Learning (pp. 2688-2697). PMLR. Bennett, S., & Yu, R. (2022). Rethinking neural relational inference for granger causal discovery. In NeurIPS 2022 Workshop on Causality for Real-world Impact. Han, Z., Fink, O., & Kammer, D. S. (2024). Collective relational inference for learning heterogeneous interactions. Nature Communications, 15(1), 3191. Pearl, J., & Mackenzie, D. (2018). The book of why: the new science of cause and effect. Basic books. Sui, Y., Wang, X., Wu, J., Lin, M., He, X., & Chua, T. S. (2022, August). Causal attention for interpretable and generalizable graph classification. In Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (pp. 1696-1705).
参与方式
参与方式
复杂系统自动建模读书会第二季
“复杂世界，简单规则”。
集智俱乐部联合复旦大学智能复杂体系实验室青年研究员朱群喜、浙江大学百人计划研究员李樵风、清华大学电子工程系数据科学与智能实验室博士后研究员丁璟韬、美国东北大学物理系Albert-László Barabási指导的博士后高婷婷、北京大学博雅博士后曹文祺、复旦大学数学科学学院应用数学方向博士研究生赵伯林、北京师范大学系统科学学院博士研究生牟牧云，共同发起「复杂系统自动建模」读书会第二季。
读书会将于9月5日起每周四晚上20:00-22:00进行，探讨四个核心模块：数据驱动的复杂系统建模、复杂网络结构推断、具有可解释性的复杂系统推断（动力学+网络结构）、应用-超材料设计和城市系统，通过重点讨论75篇经典、前沿的重要文献，从黑盒（数据驱动）到白盒（可解释性），逐步捕捉系统的“本质”规律，帮助大家更好的认识、理解、预测、控制、设计复杂系统，为相关领域的研究和应用提供洞见。欢迎感兴趣的朋友报名参与！
复杂系统自动建模读书会：从数据驱动到可解释性，探索系统内在规律｜内附75篇领域必读文献
