2022年12月11日和12月12日，美国密苏里大学哥伦比亚分校信息学研究所许东教授应吉林大学计算机科学与技术学院邀请，以线上腾讯会议的形式为计算机科学与技术学院的老师和同学们作了题为“Deep Graph Models”的学术报告。
讲座开始后，许东教授首先介绍了什么是图，然后介绍了为什么要使用图神经网络。图的编码可以分为浅编码和深编码，首先介绍浅编码。节点间的相似性可以定义为余弦相似度，用原图中两节点的关系和embedding后两节点的余弦相似度的差异作为损失函数，以此来评估embedding的效果。可以使用随机游走来将图中的各个节点串联成一条路径，并将该路径视为一句话，并用NLP方法对其中节点进行编码，如Word2Vec。随机游走方式包括DFS和BFS，并使用一个有偏向性的游走策略以平衡局部和全局信息。
但是浅编码包括一系列问题，如O(V)的参数量，不能为没见过的节点编码，且不能加入节点信息，深编码应运而生。如效仿CNN的GCN，先将图用傅里叶变换转换到谱域再用逆傅里叶变换转换到空域，聚合节点本身和其邻居节点的信息传递到下一层。GraphSAGE与GCN类似，相比于GCN的直接把邻居节点和本身的信息相加，GraphSAGE随机聚合一部分节点的信息并进行聚合（如平均、Pooling或LSTM）。Graph Attention Network可以对于不同的节点设置不同的Attention值，将聚集改为将各个节点特征加权后相加。对于多头注意力机制，则将多个聚集后的结果concat连接后作为最终结果。之后讲解了Graph Bert和Graph Transformer等一系列延伸模型，介绍了边分类、节点分类、图分类、链接预测、异常检测等下游任务的实现方法。
讲座结束后，许东教授热情地与同学们展开互动，并根据同学和老师们的问题提供了详尽的解答。本次报告收到了广大师生的热烈响应，引发了强烈反响。
许东教授是电气工程与计算机科学系特聘教授，任教于克里斯托弗·邦德生命科学中心和美国密苏里大学哥伦比亚分校信息学研究所。许东老师于2007-2016年担任计算机科学系主任，2017-2020年担任信息技术项目主任。于1995年博士毕业于美国伊利诺伊大学，在美国国家癌症研究所做了两年的博士后工作。在加入密苏里大学之前，许东老师一直是橡树岭国家实验室的科学家。30年来，许东老师在计算生物学和生物信息学的多个领域进行了研究，包括单细胞数据分析、蛋白质结构预测与建模、蛋白质翻译后修饰、蛋白质定位预测、计算系统生物学、生物信息系统和生物信息学在人类、微生物和植物中的应用等。自2012年以来，许东老师的研究重点为生物信息学和深度学习之间的接口。许东老师现已发表了400多篇论文，被引用21,000余次。并于2015年入选美国科学促进会研究员，2020年入选美国医学与生物工程研究所研究员。
