首届图可信学习研讨会 – TrustLOG @ CIKM 2022

2022 年 8 月 14 日 图与推荐

首届图可信学习研讨会 – TrustLOG @ CIKM 2022

官方网站：

https://trustlogworkshop.github.io/

简介

图学习是包括信息检索、社交网络分析、交通和计算化学在内的许多领域的核心。多年来，针对这一方向的研究已经为各种学习任务开发了大量的理论、算法和开源系统。最先进的图学习模型已经被广泛应用于各种实际应用中，在回答what/who问题时有优异的性能。例如，与用户查询请求最相关的网页是什么？哪些用户可以被划分到同一个线上社区？应该推荐哪个项目来迎合用户偏好？高效用图学习模型正在蓬勃发展，然而最近的研究表明，基于图的学习在许多方面都不可信。例如，现有方法以黑盒方式进行决策，阻碍了用户对模型决策的理解和信任。此外，许多常用的方法容易受到恶意攻击，或对某些群体中的个人存在偏见，或有信息泄露的问题。因此，对“如何使图上的学习算法可信”这一基本问题的研究仍处于初期阶段。为了回答这个问题，关键是提出一种模式的转变，从回答what/who到理解how/why。例如，恶意的链接工厂如何操纵网页排名；为什么两个看似不同的用户会被分到同一个社区；推荐结果对随机噪声或虚假评分有多敏感？

关于图的可信学习涉及到许多挑战，包括：

理解non-IID的图数据对经典可信机器学习的影响；
发现针对于图的度量和技术，以解决可信学习问题；
在大规模图上实现可信学习；
对图数据异质性的适应；
处理动态图（dynamic graph）。

此次可信学习研讨会（TrustLOG）为期一天，旨在将有着不同背景的研究人员和实践人员聚集在一起，共同探讨这些研究问题，并推进图上的可信学习的发展。研讨会将包括关于各种方法和应用的专题演讲、专题海报、特邀演讲和讨论小组。我们欢迎正在进行中的文章、演示文章和展望文章，以及将会进行口头报告和墙报的特邀论文。本次研讨会希望展望和分享用于图可信学习和现实应用上的新理论与新方法。

投稿

此次研讨会邀请不同类型的投稿。投稿的形式可包括（但不限于）：

研究文章（Research papers）
正在进行的文章（Work-in-progress papers）
演示文章（Demo papers）
展望性文章/指导性文章（Visionary papers/white papers）
现有方法或工具的评估性文章（Appraisal papers of existing methods or tools）
关于假设、方法或工具的评估文章（Evaluatory papers on assumptions, methods or tools）
即将出版或已经出版的相关作品（Relevant work that will be or have been published）

投稿的话题可包括（但不限于）：

安全性和鲁棒性（Safety and robustnes）
可解释性和透明度（Interpretability, explainability and transparency）
道德准则（Ethics）
问责（Accountability）
隐私保护（Privacy preservation）
因果分析（Causal analysis）
环境福祉（Environmental well-being）
图可信学习的工业应用（Industry applications of trustworthy learning on graphs）
图可信学习的数据集和基准（Datasets and benchmarks for trustworthy learning on graphs）

重要日期

建议文章提交日期：2022年9月2日 (full consideration)
动态文章提交窗口：2022年9月3日 ~ 2022年10月10日（closed after pool is filled）
刊印版提交：2022年10月15日
研讨会日期：2022年10月21日

文章投稿

文章提交限制在5页以内（最终刊印版提交限制在6页以内）。超出5页正文部分的次要细节应包括在补充材料里。手稿应使用ACM 2-column sigconf模板，并以PDF格式提交。论文评审将是双盲的，未适当匿名的提交将在未经评审的情况下被拒绝。提交的论文将根据其新颖性、技术质量、潜在影响和写作清晰度进行评估。对于评估的论文，实验方法和结果应该清晰、执行良好且可复现。我们强烈鼓励作者尽可能地公开数据和代码。被接受的论文将发布在研讨会网站上，而不包括在CIKM proceedings中。目前正在考虑在权威学术期刊上发行特刊，以保存本研讨会上最佳/精选文章的扩展版本。

投稿网址：

https://cmt3.research.microsoft.com/TrustLOG2022

ACM反歧视政策

所有作者和参与者必须遵守ACM反歧视政策。有关详细信息，请访问网站。作为已出版的ACM作者，您和您的合著者受所有ACM出版物政策的约束，包括ACM关于涉及人类参与者和受试者的研究的新出版物政策。

议程（暂定）

主讲人

Dr. Nitesh V. Chawla

Nitesh V. Chawla是圣母大学计算机科学与工程系的Frank M. Freimann教授。他是Lucy Family Institute for Data and Society的创始主任，曾担任Center for Network and Data Science的主任，IEEE Fellow。Chawla博士于2007年加入圣母大学，是人工智能、数据科学和网络科学领域的专家。他的研究不仅位于理论与算法的前沿，而且通过与来自圣母大学、本国和国际研究者的合作，取得了跨学科的进展。

Dr. Thomas G. Dietterich

Thomas G. Dietterich是俄勒冈州立大学计算机科学系的Distinguished Emeritus教授。他是机器学习领域的先驱之一，曾担任Machine Learning (journal) (1992–98)的主编，并共同创办了Journal of Machine Learning Research。Dietterich博士的评论曾作为学术视角被National Public Radio, Business Insider, Microsoft Research, CNET和 The Wall Street Journal等诸多媒体引用。他的研究贡献包括多类分类的纠错输出编码、多实例问题的形式化、分层强化学习的MAXQ框架，以及将非参数回归树集成到概率图模型的方法。

Dr. Stephan Günnemann

Stephan Günnemann是慕尼黑理工大学信息学系的教授。Stephan Günnemann在机器学习和数据分析领域进行研究，主要研究方向是如何使机器学习技术可靠，从而使其能够在各种应用领域安全可靠地使用。Günnemann教授对针对复杂数据域（如图/网络和时态数据）的机器学习方法感兴趣。

Dr. Shuiwang Ji

Shuiwang Ji博士目前是德克萨斯农工大学计算机科学与工程系的Professor and Presidential Impact Fellow，指导DIVE实验室。他于2010年从亚利桑那州立大学获得计算机科学博士学位，由Jieping Ye教授担任顾问。他的研究兴趣包括关于图、分子、材料和量子系统的机器学习。Ji博士于2014年获得National Science Foundation CAREER Award。目前，他担任TPAMI、TKDD和CSUR等期刊的副主编；并定期担任AAAI、ICLR、ICML、IJCAI、KDD和NeurIPS的领域主席或同等职务。Ji博士是AIMBE Fellow、ACM Distinguished Member和IEEE Senior Member。

Dr. Yinglong Xia

Yinglong Xia博士是Meta的Uber TL，，他和他的团队将最先进的图数据机器学习技术应用于包括Instagram和Shop在内的一系列产品。他还通过学术界合作推动关于图的研究，在顶级会议/期刊和专利中发表了大量出版物。在此之前，他是Futurewei Technologies的首席架构师，也是IBM TJ Watson Research Center图形推理框架的技术负责人。Yinglong出版了70多篇技术文章和30多项专利。他担任IEEE TKDE和IEEE TBD等期刊的副编辑，并在多个顶级会议中积极担任组织者、SPC或TPC。

Dr. Marinka Zitnik

Marinka Zitnik博士是哈佛医学院生物医学信息学的助理教授。Marinka Zitnik研究科学和医学方面的机器学习。她利用数百万实体之间数十亿次交互的生物医学数据，将机器学习与统计学和数据科学相结合，并将生物医学知识引入深度学习。她关注网络生物学、医学、基因组学、药物发现和健康等领域的问题。Zitnik博士的研究愿景是：在未来数据科学和人工智能将被例行用于向临床医生提供诊断建议；给科学家提供可以通过实验验证的假设，并为他们提供安全和精确治疗的见解；并为患者提供自我护理方面的指导，例如，如何过上健康的生活并及早发现疾病。为了实现这一愿景，Zitnik博士开发了对丰富的互联数据进行推理的方法，并将这些方法转化为生物医学问题的解决方案。