英才学院本科生在人工智能领域CCF-A类会议AAAI发表研究成果

AAAI是人工智能领域的顶级学术会议，聚集了全球人工智能领域的专业人士，包括机器学习、自然语言处理、计算机视觉等方面的研究。会议提供了展示研究成果、交流想法和建立合作关系的平台，对学术界和产业界都具有深远影响。该会议2023年投稿总篇数为12100，接受率为23.75%。

多视图图聚类（Multi-View Graph Clustering）是指借助图神经网络（Graph Neural Networks）挖掘每个视图的特征信息和结构信息，并根据视图间的一致性和互补性信息提升聚类性能的方法。现在，越来越多的数据收集来自不同的源和视角，即多视图数据，同时图数据（graph data）不断增多，如社交网络等，因此多视图图聚类方法受到了更多的关注。

然而，大多数存在的多视图图聚类方法面临一个共同的问题，即异配图（heterophilous graph）问题：heterophilous graph是指图中的边倾向于连接不同类的节点，这导致GNNs在heterophilous graph上的表现十分糟糕，甚至不如不具备结构信息（Structural information）挖掘能力多层感知机（MLP）。

图1：框架图

为了解决heterophilous graph问题，我们受到图信号处理（Graph Signal Process）的启发，从谱域出发尝试找到解决方法。

以广泛使用的GNNs中的一种图卷积神经网络（Graph Convolutional Neural Network）为例进行研究发现，GCN在谱域上相当于低通滤波器，即GCN只能捕获图上的低频信号，完全抛弃了高频信号。已有的研究工作指出高频信息对于图上的节点表示依然重要，因此同时利用低频信息和高频信息学习节点表示或许是解决heterophilous graph问题的可行方案。

 我们的主要贡献是设计了一个自适应混合图滤波器（Adaptive Hybrid Graph Filter），能够在未知图类型（homophilous graph; heterophilous graph; mixed graph）的情况下捕获图上的低频和高频信息学习可区分的节点表示。首先，考虑到原始图结构的不可靠性，我们没有直接使用原始邻接矩阵（adjacency matrix）设计滤波器，而是重新构造了graph joint aggregation matrix，并以此为基础设计了Adaptive Hybrid Graph Filter。其次，为了能够在未知图类型的情况下减少有效信息的丢失，我们借助伪标签（pseudo-label）近似计算同配率（homophily ratio），并利用homophily ratio控制Adaptive Hybrid Graph Filter对低频和高频信息的捕获。

图2：original adjacency matrix与graph joint aggregation matrix的特征值分布对比

最终在多个真实世界数据集上的对比实验表明，我们提出的方法有效解决了多视图图聚类面临的异配图问题。

任亚洲副教授（https://yazhou-ren.github.io）专注于人工智能理论与应用研究。近年来，在AAAI、IJCAI、CVPR、ICCV、NeurIPS、ACM MM、SIGIR、ICDM、ECCV等国际顶级会议以及TKDE、TIP、TGRS、NN、KBS、IS等国际知名期刊上发表了100余篇论文（第一/通讯作者50多篇）。这些论文包括30多篇CCF-A类和中科院一区论文。他同时主持和参与多个国家级、省部级科研项目。在他的指导下，大部分学生在毕业后选择深造于哥伦比亚大学、弗吉尼亚理工大学、佛罗里达大学、香港中文大学、清华大学等海内外知名学府，或者就业于华为、阿里巴巴、腾讯、微软等一流企业。