实验室两篇论文被IJCAI 2022接收

2022年4月21日，实验室共有两篇论文被IJCAI 2022接收，两篇论文的第一作者分别是胡民阳和侯文政。在此热烈祝贺他们及其合作者！IJCAI是人工智能领域著名的CCF-A类国际会议，2022年中稿率为15%，此次会议将于2022年7月在奥地利•维也纳召开。2篇论文的信息概要介绍如下：

Learning Continuous Graph Structure with Bilevel Programming for Graph Neural Networks. (Minyang Hu, Hong Chang, Bingpeng Ma, Shiguang Shan) 

学习图结构对于促进基于图神经网络（GNN）的下游学习任务至关重要。然而，离散图结构的不可微性和图结构监督信号的缺失使得学习图结构非常具有挑战性。本文针对这两个问题，提出了一种新的图结构学习框架。首先，我们直接对连续图结构进行建模，通过双重标准化来隐式地施加稀疏约束，以此降低噪声边的影响。其次，我们将整个学习过程描述为一个双层规划问题，其中内部目标是给定图结构来优化GNN参数，而外部目标是优化图结构以最小化下游任务的泛化误差，下游任务的泛化误差就作为图结构学习间接的监督信号。此外，对于双层优化问题，我们提出了一种改进的Neumann-IFT算法来获得近似解，该算法比现有的优化方法更稳定、更准确。此外，它使双层优化过程计算开销更小，并可扩展到大规模的图结构上。在节点分类和场景图生成任务上的实验表明，我们的方法优于现有方法，尤其是在图结构存在噪声边的情况下。

图 1 方法框架图及改进的Naumann-IFT算法

Quaternion Ordinal Embedding (Wenzheng Hou, Qianqian Xu, Ke Ma, Qianxiu Hao, Qingming Huang)

有序嵌入（Ordinal Embedding）旨在将物体投影到低维空间，同时尽可能保留其相似度约束。一般而言，有序嵌入算法应该同时捕获a）物体的语义信息和b）物体的有序关系。然而，现有的大多数方法只关注b）。为了解决这一问题，本文的目标是寻求一种通用的有序嵌入方法来同时捕捉这两个特性。本文认为基于向量的有序嵌入不同维度之间蕴含的语义信息是相互纠缠的。因此，为了实现a），本文将D维嵌入空间分解为D个不同的语义子空间，其中每个子空间与矩阵表示相关联。不幸的是，引入基于矩阵的表示比基于向量的表示需要更复杂的参数空间。借助四元数的代数性质，本文使用更有效的方法四元数来表示矩阵。对于b），受classic chordal Grassmannian distance的启发，定义了一个新的距离函数来衡量不同四元数/矩阵之间的距离，在此基础上本文构造了一种通用的有序嵌入损失函数。在仿真数据集和真实数据集上对不同任务的实验结果验证了本文所提出方法的有效性。

图 2 本文所提出框架的示意图。从左到右三个模块分别代表数据处理模块、嵌入模块、检索模块。