近年来，以图神经网络为代表的几何机器学习成为了AI圈热门的研究课题之一，相关技术已在物理、化学、药物学等自然科学领域得到了广泛的应用。
在近期的诸多研究中，图神经网络获得了哪些拓展？又解决了哪些新的问题呢？为了帮助读者进一步了解该领域的最新研究进展，北京时间 10月27日19:00-21:05，机器之心机动组组织策划了最新一期直播分享，介绍四篇NeurIPS 2022论文在内的相关研究。
届时，中国人民大学高瓴人工智能学院准聘助理教授、博导黄文炳将首先进行主题为《几何机器学习方法及其在科学任务上的应用》的精彩分享，然后四篇论文作者将分别介绍不同技术在具体科学任务上的应用表现。
几何机器学习方法及其在科学任务上的应用
分享摘要：本报告从对称性的角度，梳理当前以图神经网络为代表的几何机器学习的发展脉络，并介绍其在物理系统模拟、药物小分子设计、蛋白质建模等科学任务上的典型应用案例。
嘉宾简介：黄文炳，中国人民大学高瓴人工智能学院准聘助理教授、博导。研究方向包括几何机器学习理论方法、几何机器学习在机器人感知与决策任务上的应用、科学知识嵌入的机器学习等。
论文1：基于主子图挖掘和组装的分子生成
论文标题：Molecule Generation by Principal Subgraph Mining and Assembling
论文链接：https://arxiv.org/abs/2106.15098
分享摘要：该论文提出了 principal subgraph（以下简写为 PS）这一新颖的概念，用于捕捉分子中带有丰富信息的特定模式。论文同时提供了自动从数据集中抽取高频PS的算法，以及基于子图预测和全局组装的分子生成方法，同时提升了生成质量与效率。
嘉宾简介：孔祥哲是清华大学计算机科学与技术系在读博士生、中国人民大学高瓴人工智能学院GLAD组访问学生，导师为刘洋教授、黄文炳教授。他的研究方向是自然语言处理、分子生成、抗体生成。
论文2：基于等变图层次化的神经网络
论文标题：Equivariant Graph Hierarchy-Based Neural Networks
论文链接：https://arxiv.org/pdf/2202.10643.pdf
分享摘要：本论文研究了如何层次化地构建等变图神经网络，使其更有效地建模复杂物理化学系统。我们引入了一种表达能力更强的等变信息传播方法，将其嵌入到了池化和反池化的整体架构中，并通过实验验证了结构设计的有效性。
个人简介：韩家琦，本科毕业于清华大学计算机系，中国人民大学高瓴人工智能学院 GLAD 组访问学生。研究兴趣为几何图神经网络及其在自然科学领域的应用。
论文3：利用等变图神经网络学习物理动力学
论文标题：Learning Physical Dynamics with Subequivariant Graph Neural Networks
论文链接：https://arxiv.org/pdf/2210.06876.pdf
分享摘要：本论文提出了子等变图神经网络，一种通用的、在外部力场诱导子群上等变的GNN。我们在包含重力场的动力学预测任务上证实了子等变GNN由于考虑了外部场带来的对称性破却，达到了表达能力和泛化性上的最优平衡。本文同样由韩家琦分享。
论文4：什么时候更新你的模型：基于约束模型的强化学习
论文标题：When to Update Your Model: Constrained Model-based Reinforcement Learning
论文链接：https://arxiv.org/abs/2210.08349
分享摘要：模型-策略耦合使得基于模型的强化学习方法单调性保证成为挑战，为此提出了一个新颖的通用理论框架以保证跨模型的性能提升。该框架推导出的约束优化问题能够泛用到各类底层策略优化算法中。
个人简介：嵇天颖是清华大学计算机系在读博士生，中国人民大学高瓴人工智能学院GLAD组访问学生。研究兴趣包括强化学习和优化方法，特别关注基于模型的强化学习。
分享时间：北京时间10月27日19:00-21:05。