【课题推荐发表期刊】

【课题背景】

图神经网络（Graph Neural Networks，GNNs）在过去五年中迅速崛起，成为非结构化数据学习领域的研究热点。GNNs以其独特的能力处理图结构数据，已经在多个领域展现出巨大的潜力，包括社交网络分析、生物信息学、推荐系统等。这些网络通过学习节点的嵌入表示，能够捕捉到节点间的复杂关系和模式。尽管如此，无监督图学习方法仍然面临着挑战，因为它们需要在没有明确标签的情况下发现数据的内在结构和规律。随着研究的深入，这一领域有望在未来几年内取得更多的突破，进一步推动图神经网络在各个领域的应用和发展。

本课题将研究无监督场景下图神经网络的数据处理和模型训练，以提高模型的泛化能力和数据适应性。

【课题方向参考】

• 无监督图神经网络面临的主要挑战包括节点表示的不充分和跨域泛化能力不足。如何设计新的无监督图学习算法，以提高模型的跨域适应性和泛化能力

• 在特定应用场景中，如何将任务导向的知识有效融入无监督图学习框架，以提升模型性能

• 针对数据中心的大规模图数据，如何设计高效的图结构学习算法和系统架构，以支持快速的数据处理和模型训练

【适合人群】

计算机科学专业研究生，熟悉机器学习基本方法原理，熟练使用pytorch，具备英文基础读写能力。

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

陈老师，QS排名前300高校在读博士

• 长期担任多个CCF-A类期刊和会议的编委或审稿人，包括AAAI, NeurIPS, ICLR, IJCAI, AISTATS, eTNNLS, TCSVT, TMLR, DMLR, Information Fusion等；

• 以第一作者发表多篇计算机领域一区/CCF A论文，例如AAAI, NeurIPS, IJCAI等；

• 曾指导多名学生发表一作论文，具备丰富的英文写作经验和论文指导经验；

• 掌握Matlab、BAN Logic、and Scyther Tool等软件工具。

【课题安排】

研究周期预估六个月左右，具体视学员情况调整。

【推荐阅读】

• 2023 CHARACTERIZING THE INFLUENCE OF GRAPH ELE MENTS

• 2024 The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges

• 2023 GraphMAE2: A Decoding-Enhanced Masked Self-Supervised Graph Learner