会议 | LoG2022 | 12月9-12日图学习会议Learning on Graphs Conference

微信公众号：图科学实验室Graph Science Lab 2022-05-14 00:00

来源：LoG2022

官方网站

https://logconference.github.io/

会议时间

2022 年 12 月 9 日至 12 日

会议形式

网络线上，免费参加

随着机器学习领域的快速发展，它的许多子领域也在迅速发展。在过去十年中，图机器学习已经起飞，尤其是近年来图深度学习方法取得了令人瞩目的进步。这对处理图形结构化数据的应用领域来说是一个重大的福音，例如计算化学、交通网络、社交网络、推荐系统或医疗保健。图也可以被视为其他领域（例如网格或集合）的泛化，并且在传统上使用已建立的模型（如 CNN 和 RNN）的基于图的 ML 架构通常是有利的。

然而，增长也带来了一些挑战。到目前为止，有许多关于图学习的论文涵盖了广泛的目标和方法论方法。没有一个研究人员可以跟上该领域的所有这些方面。因此，比以往任何时候都更需要更专注的审稿人分配和高质量的审稿。

虽然已经有几个成功的研讨会致力于图学习（在 NeurIPS、ICML、ICLR、KDD、WWW、WSDM、AAAI 和其他场所），但这些研讨会已经变得非常庞大。例如，上一次亲自举办大型图形表示学习研讨会（NeurIPS 2019）时，有超过 1300 名注册参与者，这使其成为该会场第二受欢迎的研讨会，并且可能比机器学习领域的许多会议都大。由于这种增长与研讨会可用的资源不兼容，最近面向图机器学习的顶级研讨会通常不包括图学习的所有子领域。此类重点活动的例子包括算法推理、分子发现、学习知识图谱、行业中的图 ML和图学习基准。理想情况下，图学习的所有子领域的研究都应该有适当的场所来展示和讨论研究，同时仍然保持合作和联系，这很重要，因为关键思想经常在专业子领域之间重新出现。

我们相信，一个致力于图学习的新会议可以在研究界发挥重要作用，并使图机器学习的研究能够超越现在。今年，在由一些世界顶级图学习研究人员组成的国际团队的帮助下，我们正在组织首届图学习会议（LoG 会议）。在我们的第一年，LoG 会议将以虚拟方式举行，所有人都可以免费参加。LoG 会议将既有在 PMLR 上发表的论文集，也有一个非档案扩展摘要集。我们将使用 OpenReview 进行审核以提高透明度，并且审核过程将是双盲的。我们的目标是通过更集中的会议获得更高质量的评论，并通过奖励顶级评论者的额外奖励来激励高质量的评论。会议实际上将于 2022 年 12 月举行；更多信息可以在我们的网站。欢迎通过此表格对会议提出任何反馈和建议。

其他场所

在考虑了机器学习或图学习的其他场所之后，我们相信 LoG 会议将在这个研究生态系统中发挥重要作用。像 NeurIPS、ICML 和 ICLR 这样的通用机器学习会议已经变得非常庞大，因此它们专注于图之外的广泛主题。AAAI、KDD、WWW、WSDM 和 SIGIR 等其他会议最近也有许多关于图学习的工作，但它们也涵盖了与图学习正交的各种不同主题。最近， ML4Health、AutoML和终身学习代理会议 ( CoLLA ) 以及新的综合期刊TMLR等新的重点场所已经成立。我们分享了他们创立的一些原因，尽管图学习研究也无法在这些新领域中找到完美契合的地方。

在过去的几年里，也出现了许多以图 ML 为中心的研讨会。其中许多研讨会已经变得非常庞大——ICML 2020 的GRL+有 73 篇被接受的论文。任何单一的研讨会都很难满足致力于图学习的大型社区的需求；AAAI 2022 甚至有两个 独立的图形学习研讨会，每个研讨会都有一个相当笼统的范围。

因此，过去几年成立了各种专注于图学习特定子领域的研讨会。这些涵盖了图学习基准、工业中的图学习、算法推理、分子学习等主题。我们希望将这些社区统一在一个场所，以增加它们之间的互动和协作。这些独立社区的混合和交叉授粉已经显着促进了图的学习：基准创建者制作来自各个应用领域的数据集，最初在引文图上评估的流行图神经网络已经应用于无数其他领域，来自各种领域的模型自然语言处理和物理科学等领域已统一在通用图神经网络框架下。

Learning on Graphs Conference （LoG）接收的投稿都与图&几何机器学习相关。区别于NeurIPS，ICML和ICLR等学术会议，很多细分图&几何ML领域，在LoG上都可以进行讨论 。

这次会议基本“集齐”了国内外有名的图&几何机器学习大牛。例如graph2vec和GraphSAGE的作者Jure Leskovec、机器学习元老Michael Jordan弟子Stefanie Jegalka，以及在小分子药物领域涉猎广泛的唐建，还有清华大学教授唐杰等，都会参与此次会议。

主办单位

Yuanqi Du (DP Technology), Hannes Stärk (MIT), Derek Lim (MIT), Chaitanya K. Joshi (Cambridge), Andreea Deac (Mila), Iulia Duta (Cambridge), Joshua Robinson (MIT).

咨询委员会

组委会

征文

欢迎来自与图形和几何学习广泛相关领域的论文。LoG 会议有一个论文集，其中包含发表在机器学习研究论文集(PMLR) 上的论文和一个非归档扩展摘要集。可以使用我们的 LaTeX 样式文件（即将推出）通过OpenReview提交论文。论文是双盲审阅的，作者和区域主席对审稿质量进行评级。顶级评论者获得高额金钱奖励，如下所述。

重要的日子

（所有截止日期都是“地球上的任何地方”。）

2022 年 9 月 9 日：摘要提交截止日期（两个论文集）
2022 年 9 月 16 日：提交截止日期（两个曲目）
2022 年 10 月 20 日：为期 2 周的论文修订期开始
2022 年 11 月 3 日：论文修改期结束
2022 年 11 月 24 日：发布最终决定
2022 年 11 月 30 日：相机准备截止日期
2022 年 12 月 9 日：会议开始（虚拟，免费参加）

会议集

被接受的论文将发表在机器学习研究论文集(PMLR) 中，并有资格成为我们的会议亮点。完整的会议论文最多可以有9 页，其中参考和附录的页数不限。

提交的论文不能已经在任何其他档案场所发表或正在审查中。论文被接受后，必须至少有一位作者加入会议，否则他们的论文将不会被收录到会议论文集中。

扩展的摘要

扩展摘要最多可达 4 页，参考和附录的页数不限。顶级论文被选为我们的摘要重点。已接受的扩展摘要（非存档提交）的作者保留其作品的全部版权，并且接受 LoG 并不排除在其他场所发表相同材料。此外，允许提交正在审查或最近发布的提交。作者必须确保他们没有违反任何其他场地双重提交政策。

学科领域

以下是对LoG关注点的总结，并不详尽。如果您怀疑您的论文是否适合会议场地，请随时联系[email protected]！

表达图神经网络 Expressive Graph Neural Networks
GNN 架构（变压器、新的位置编码……）GNN architectures (transformers, new positional encodings, …)
等变架构 Equivariant architectures
图的统计理论 Statistical theory on graphs
因果推理（结构因果模型，……） Causal inference (structural causal models, …)
算法推理 Algorithmic reasoning
几何处理 Geometry processing
图的鲁棒性和对抗性攻击 Robustness and adversarial attacks on graphs
组合优化和图算法 Combinatorial Optimization and Graph Algorithms
图内核 Graph Kernels
图形信号处理/频谱方法 Graph Signal Processing/Spectral Methods
图生成模型 Graph Generative Models
可扩展的图学习模型和方法 Scalable Graph Learning Models and Methods
推荐系统的图 Graphs for Recommender Systems
用于计算机视觉的图形/几何 ML Graph/Geometric ML for Computer Vision
知识图谱 Knowledge Graphs
用于自然语言处理的 Graph ML Graph ML for Natural Language Processing
用于分子的图形/几何 ML（分子、蛋白质、药物发现……） Graph/Geometric ML for Molecules (molecules, proteins, drug discovery, …)
用于安全的 Graph ML Graph ML for Security
用于健康的 Graph ML Graph ML for Health
用于物理科学的图形/几何 ML Graph/Geometric ML for Physical sciences
图 ML 平台和系统 Graph ML Platforms and Systems
图上的自监督学习 Self-supervised learning on graphs
值得信赖的图 ML（公平、隐私……）Trustworthy graph ML (fairness, privacy, …)
图形/几何机器学习基础设施（数据集、基准、库……） Graph/Geometric ML Infrastructures (datasets, benchmarks, libraries, …)

审稿人奖励

区域主席根据“建构主义”对每篇评论的质量进行评分。20 名评分最高的评论者将获得由我们慷慨的赞助商资助的 1500 美元的预期奖励。获得奖励的评论者的确切数量和奖励金额可能会发生变化，如果剩余的赞助资金比预期的多，则可能会增加。邀请顶级审稿人（愿意这样做）在会议上进行审稿演讲。
如果您希望成为审稿人并且有资格（例如，通过发表过图表或几何论文），您可以通过此表格注册。

审核流程

提交将是双盲的：审稿人在进行审稿时看不到作者姓名，作者也看不到审稿人姓名。我们使用 OpenReview 来主持论文并允许所有人都可以看到的公开讨论；审稿人发表的评论将保持匿名。但是，组织者可以知道评论者的身份，并且评论质量特别低的评论者可以被排除在未来的评论过程中（评论被标记为低质量并由多个区域主席和组织者讨论）。

提交的内容上传到 OpenReview，公开可用，官方评论是匿名的。任何人都可以发布公开可见的评论，或限制对审阅者或区域主席的可见性。
作者可以随时参与有关其论文的讨论。
完整的评论将在 10 月 20 日发布，届时论文修订期开始。在 2 周的论文修改期内，作者可以再次修改论文。
11 月 3 日之后，审稿人和 AC 将进行内部讨论，目的是总结审稿过程，然后做出接受决定。
接受的论文将在 11 月 24 日通知后进行匿名处理（被拒绝的可以选择退出）。

有用的链接

2022 年日志会议 OpenReview
审稿人注册表
会议公告博文

阅读原文