本文带来的是腾讯、中山大学、中科院、浙江大学与德克萨斯大学阿灵顿分校等多家机构带来的KDD 2022 tutorial 「可信图学习：可靠性、可解释性与隐私保护」。

深度图学习（Deep Graph Learning, DGL）在商业和科学领域都取得了显著的进展，从金融和电子商务，到药物和先进材料的发现。尽管取得了进展，但如何确保各种图学习算法以对社会负责的方式行事并满足监管合规要求，成为一个新的问题，特别是在风险敏感领域。可信图学习(Trustworthy graph learning, TwGL)旨在从技术角度解决上述问题。与传统的图学习研究主要关注模型性能不同，TwGL考虑了图学习框架的可靠性和安全性，包括但不限于可靠性、可解释性和隐私保护。

虽然之前已经有一些教程介绍了图学习的应用，但很少有人特别关注其安全性方面，包括可靠性、可解释性和隐私保护能力。本教程主要包括近年来可信图学习的主要成就进行回顾，并介绍了一些领先方法。具体来说，我们将讨论三个重要议题，即图学习对固有噪声、分布偏移和对抗性攻击的可靠性，可解释性方法，以及图学习的隐私保护。同时，我们将介绍一些将图学习应用于风险敏感应用（如人工智能药物发现）的指南，以确保图模型的行为是值得信赖的。我们希望我们的教程能够对这一领域的最新进展提供一个全面的回顾，同时也提供一些有用的建议来指导开发者为他们的应用选择合适的技术。

教程目录

  • 图深度学习可靠性

  • 图深度学习可解释性

  • 图深度学习隐私保护

教程主页：https://ai.tencent.com/ailab/ml/twgl/

142页Slide下载地址：

http://wbz-ljm.cn/wbz/twgl/data/twgl.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除