InPlusLab 两篇论文被 ECAI 2020 录用

15.1

04 2月 InPlusLab 两篇论文被 ECAI 2020 录用

会议资讯


ECAI全称为European Conference on Artificial Intelligence,是人工智能领域的知名会议。ECAI 2020 共收录了1443篇论文,其中1363篇完整论文和80篇短论文。最终接收了365篇完整论文和36篇短文,接受率为26.8%

InPlusLab 刘阳同学的论文 Abstract Interpretation based Robustness Certification for Graph Convolutional Networks 和许杨俊同学的论文Directional Adversarial Training for Recommender Systems 均被本次会议录用。

论文介绍


Abstract Interpretation based Robustness Certification for Graph Convolutional Networks

图神经网络近年来得到了广泛的应用,但是最近有研究表明通过对节点特征进行微小的扰动可以使它的分类结果出错。为了分析图神经网络针对这种攻击的鲁棒性,本文提出了一种基于抽象释义的鲁棒性验证框架。给定一个训练好的图神经网络,一个目标节点,我们的方法可以给出模型在特定的扰动空间下节点的分类结果是否会发生改变。

Directional Adversarial Training for Recommender Systems

对抗训练是一种通过在模型训练期间往输入空间加入扰动来提高深度学习模型泛化能力的有效方法。在这项工作中,我们设计了一种对抗训练(DAT)策略,即在适当的限制下,用户和物品的嵌入向量都朝着其相似的邻居方向变化,通过将这种协同过滤信号作为扰动显式的注入推荐系统模型的训练过程中的,使得模型的泛化效果得到了较大提升。