回到顶部

复杂系统与社会计算研讨会

2019年10月27日 8:00 ~ 2019年10月27日 17:30

收起

活动票种
    付费活动,请选择票种
    展开活动详情

    活动内容收起


    ​会议主持

    吕琳子科技大学教授,国际网络科学学会理事,主要从事网络信息挖掘与社会经济复杂性方面的研究,入选2018年《麻省理工科技评论》中国35岁以下科技创新35人。

     ç›¸å…³å›¾ç‰‡



    会议日程

    8:00-9:00

    签到领取会议资料

    地点: 一楼大厅

    8:50-9:00

    开幕式

    会议地点:一楼报告厅

    9:00-10:30

    9:00-9:30   唐杰 清华大学 (杰青)

                Graph Neural Networks and   Applications

    9:30-10:00  闫小勇   北京交通大学 (优青)

    社会引力定律追根溯源

    10:00-10:30 胡延庆 中山大学

                Revealing the Predictability of   Intrinsic Structure in Complex Networks

    10:30-10:45

    茶歇

    10:45-12:15

     

    10:45-11:15 李大庆 北京航空航天大学(优青)

                  城市交通的健康管理

    11:15-11:45 张江 北京师范大学

    从简单规则到机器学习——复杂系统建模方法的进化

    11:45-12:15 张潘 中科院理论物理所

                  Phase   transitions and optimal graph convolution networks in the graph semi-supervised   classifications

    12:15-2:00 

    午餐

    2:00-4:00

    2:00-2:30 杜文博 北京航空航天大学(优青)

    空域复杂度评估

    2:30-3:00 韩筱璞 杭州师范大学

              计算音乐社会学

    3:00-3:30 李睿琪 北京化工大学

                Urban Spatial Scaling: From active   population to folding cities

    4:00-4:30 待定

    4:00-4:15

    茶歇

    4:10-5:30

    座谈会或报告

     

     嘉宾及其主题

     

    唐杰

    题目:Graph Neural Networks and Applications

    摘要:Graph Neural networks (GNNs) and their variants have generalized deep learning methods into non-Euclidean graph data, bringing a substantial improvement on many graph mining tasks. In this talk, I will revisit graph convolutional networks and investigate how to improve their representation capacity. We discover that the performance of GNNs can be significantly improved with several simple and elegant refinements on the neighborhood aggregation and network sampling steps. Importantly, we show that some of the most expressive GNNs, e.g., the graph attention network, can be reformulated as a particular instance of our models. Extensive experiments on different types of graph benchmarks show that our proposed framework can significantly and consistently improve the graph classification accuracy when compared to state-of-the-art baselines.

     

                 

    简介:唐杰,清华大学计算机科学与技术系长聘教授,计算机系副主任、清华-知识智能联合实验室主任,获杰青。研究兴趣包括:社会网络分析、数据挖掘、机器学习和知识图谱。发表论文200余篇,拥有专利20余项。主持研发了研究者社会网络挖掘系统AMiner,吸引了220个国家/地区1000多万独立IP访问。曾担任国际期刊ACM TKDD的执行主编和国际会议CIKM’16、WSDM’15的程序委员会主席、KDD’18大会副主席以及IEEE TKDE、ACM TIST、IEEE TBD等期刊编委。获英国皇家学会-牛顿高级奖学金、CCF青年科学家奖、国家自然科学基金委员会杰出青年学者、北京市科技进步一等奖、中国人工智能学会科技进步一等奖、KDD'18 杰出贡献奖。2012年国家优秀青年科学基金获得者。

     

    闫小勇

    题目:社会引力定律追根溯源

    摘要:引力定律原本是解释和预测物体之间引力交互的一个基本定律,但有趣的是,在口迁移、交通出行、商品贸易、信息通讯、社会交往、科研合作等大量人、物、信息的空间交互现象中,都存在类似万有引力定律的规律。这些广泛存在的社会引力定律反映的都是两地之间的某种流量与两地规模(如人口、GDP等)的乘积成正比、与两地距离的幂律成反比的特征。但复杂的社会系统中为什么会有这样简单的引力定律存在?这是个非常有趣也有价值的问题。本报告将从大量社会引力定律实证观察出发,追根溯源,从最大熵原理、随机效用理论和博弈论等不同视角探索社会引力定律背后的机理。

                  

    简介:闫小勇,男,1980年9月出生,博士,北京交通大学交通系统科学与工程研究主要从事复杂网络和人类移动行为复杂性研究,主持包括优秀青年基金项目在内的国家自然科学基金项目3项。在Nature Communications、Journal of The Royal Society Interface等期刊上发表SCI检索论文30余篇,研究成果被中国科学报、中国教育报、BBC、Nature、AAAS EurekAlert!、Science Daily、Phys.org等国内外科技媒体广泛报道。其中发表在Nature Communications的研究成果得到了国家领导人的重要批示,并已在北京等城市获得了推广应用。

     

    胡延庆 中山大学

    题目:Revealing the Predictability of Intrinsic Structure in Complex Networks

    摘要:Structure prediction in networks is among the most important and widely studied problems in network science and machine learning, and has enormous contribution to various fields from biology, recommendation systems to social media. Despite the significant progress in prediction algorithms, the fundamental predictability of structures remains unclear as networks’ complex underlying formation dynamics are usually unobserved or difficult to describe. Hence to date there has been a lack of theoretical guidance on the practical development of algorithms for their absolute performances. Here, for the first time, we find that the shortest compression length of a network structure can directly assess the structure predictability, with a universal linear relationship between the two quantities found in a broad range of real networks, hinting at a possible universal class among empirical networks. Specifically, shorter binary string length from compression leads to higher link predictability. We also analytically derive the physical origin of this linear relationship in artificial random networks. In addition, our finding leads to analytical results on maximum prediction accuracy adjustable for different requirements, and allows the estimation of the network dataset potential values through the size of the compressed network data file.

                   

    简介:胡延庆,博士,现在为中山大学数据与计算机学院副教授(中大百人计划),博士生导师。2011毕业于北京师范大学系统科学学院,获得系统理论方向理学博士学位,并获得北京市优秀博士论文奖;2011-2013年纽约城市大学Levich Institute 博士后。近几年主要从事具有图或者网络结构的大数据挖掘与人工智能算法与理论研究工作,探索数据背后的自然物理规律。发表论文 40 余篇,其中通讯、第一作者论文 25 篇, 包括 Nature Physics, PRL, PRX 各 1 篇,PNAS 2 篇,PRE 11 篇,其中 Nature Physics 论文被选入该期封面推荐论文.

     

    李大庆 北京航空航天大学

    题目:城市交通的健康管理

    摘要:如果把城市看成一个生命体,交通网是其生命线。交通网络的健康运行是交通可靠性管理的核心问题。同时城市交通相关的位置服务是典型的大数据场景,目前的位置大数据计算依然面临着数据缺失、抽样偏差、计算复杂等瓶颈问题,导致较难出现可支持决策的城市交通评估、预测和调控方法,成为目前智慧城市实施的主要困难之一。面对这些挑战,就需要基于现有积累的海量数据,挖掘相关的系统语义特征和演化行为,支撑更深层次的算法设计。近年来我们基于渗流理论,结合交通路况数据,对交通拥堵从产生、演化到恢复的全寿命周期进行分析,挖掘系统的弹性规律,希望可以为城市交通的可靠性管理提供新途径。

                   

    简介:李大庆,北京航空航天大学研究员、博士生导师、北航首届校务委员会委员。国家优秀青年科学基金获得者了中国系统工程会系统靠性专委会副秘书长,中国优选法统筹法与经济数学研究会工业工程分务理事。

    近年来,围绕复杂系统的可靠性管理,以第一作者或通讯作者在PNAS、Nature Physics、Nature Communications、RESS、Phys. Rev. Lett.等国际著名期刊上发表研究成果;主持了包括国家自然科学基金,预研项目和预研重点基金等项目。

     

     

    张江 北京师范大学

    题目:从简单规则到机器学习——复杂系统建模方法的进化

    摘要:复杂系统大多可以被看作一的网络传统的建模法通过简单规则来抽象个体之间的相互作用,从而复现出系的宏观特性。这种方法虽然可以帮助建模者洞察系统背后的深层机制,但较难结合系统的微观数据和参数。随着近年机器学习技术的发展,我们开发了一种根据系统的时间序列而自动建模的算法框架。这种方法不仅能拟合系统演化的动力学,而且可以自动学出系统背后的相互作用网络。最后,我们将简单规则和机器学习这两种方法进行了对比。

     

    简介:张江,北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园创始人、曾任腾讯研究院特聘顾问,复杂系统智能的研究者与布道者。主要研究领域包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学等。曾在Nature Communications、Scientific Reports、Physical Review E、Journal of Theoretical Biology等国际知名刊物上发表过学术论文数十篇。出版专著《数字创世纪——人工生命的新科学》、译著《自然与人工系统中的适应》、校译《规模》等著作;曾主持《互联网上的集体注意力流研究》、《加权有向食物网的异速标度律研究》等多项国家级科研项目。曾多次因合作研究而出访过国际知名研究院所或高校,包括美国圣塔菲研究所(Santa Fe Institute)、亚利桑那州立大学(Arizona State University)、密西根大学(Michigan University)等。其开创的集智俱乐部是国内外知名的学术社区,致力于复杂系统、人工智能等多领域的跨学科交流与合作。

     

     

    张潘 中科院理论物理研究所

    题目:Phase transitions and optimal graph convolution networks in the graph semi-supervised classifications

    摘要:We present statistical-physics studies of the semi-supervised learning on graph-structured data. By analyzing generative model for random networks with discrete labels and bipartite features, we perform an asymptotically exact analysis of the semi-supervised learning problems using the cavity method  of  statistical  physics,  and  unvill  phase  transitions  beyond  which  the  classification  is  not possible.  Our theory naturally translates to a graph convolution neural network algorithm which is optimal in the underlying generative model which outperforms existing graph convolution network algorithms by a significant margin in the synthetic networks. When applied to real-world semi-supervised classification problems such as citation networks, ouralgorithm achieves comparable performance with the state-of-the art graph convolution neural net-works.  Our overall approach can also be used in benchmarking black-box neural-network based models and understanding their strengths as well as limitations.

     

    简介:张潘,本科(2004年), 博士(2009年)毕业于兰州大学,其后在意大利,法国,以及美国圣塔菲研究所做博士后研究。2015选中国科学院“百人计划”,同年回国在中国科学院理论物理研究所工作,任副研究员、研究员。张潘的研究方向为统计物理与机器学习的交叉领域,近年的研究兴趣集中在统计推断问题中的统计物理理论,以及基于量子和统计物理的非监督机器学习新方法。

     

    杜文博 北京航空航天大学

    题目:空域复杂度评估

     

    简介:杜文博,男,1985年生。2005年、2011年毕业于中国科学技术大学计算机科学与技学院,分别获工学士、博士学位。2011年京航空航天大学电子信息工程学院并直评副教授。研究方向包括网络智能计算、态势计算、航空交通行调控等。主持国家自然科学基金2项、国家科技支撑计划1项,参与863课题、973课题、国家科技支撑计划、自然科学基金创新研究群体等重大重点项目;在Applied Mathematics and Computation、Scientific Reports、IEEE TCAS-ii、EPL等国际学术刊物上发表SCI论文40余篇,申请国家发明专利10余项。获2015年度中国电子学会自然科学一等奖(排名第2)、2016年度中国智能交通学会科学技术一等奖(排名第2),2015年入选中国科协首届“青年人才托举工程”。

     

    韩筱璞 杭州师范大学

    题目:计算音乐社会学

    摘要:音乐是人类社会活动的一种普遍性文化特征,在日常社会生活中发挥着重要作用,也一直是社会学家和学家长期研究的对象。年来,随着互联网的普和技术发展,出现了一系列在线音乐社区和社交网站,为音乐研究提供了大量的社会化数据。通过结合新兴的大数据分析方法和人工智能手段,研究者在音乐文化研究方面取得了一系列进展,在音乐文化感知、音乐文化社会学、音乐文化传播学等方面建立了大量新的认知。这些方法与传统的心理、社会学等研究手段相结合,极大地推动了音乐文化研究的发展,体现了大数据方法在音乐文化研究方面的广泛适用性。

     

    简介:韩筱璞,杭州师范大学信息经济研究所副教授。2012年于中国科学技术大学获得博士学位,主攻复杂性科学与社会物理交叉学科研究,其主要研究方了人类行为的统计特性的实证与动力学机制、社会系统中的复杂性现象及其动力学机制等。先后在国内外学术期刊上发表研究论文60余篇,其中SCI收录40余篇,SSCI收录8篇,参加专著编写两部和产业报告一部,先后主持国家自然科学基金项目两项。

     

     

    李睿琪 北京化工大学

    题目:Urban Spatial Scaling: From active population to folding cities

    摘要:With data from various sources, we are able to better sense the activities of residents and the pulse of the whole city. Based on cell phone data and proper algorithms, we can get accurate trajectories of individuals, reveal the connection between house price and air pollution exposure of residents, and get active population (AP) distribution as well as the OD matrix of the city.  By considering the travel demand together with features of the road network, we propose an indicator named population-weighted efficiency (PWE) which can give a more comprehensive and systematic evaluation of the efficiency of the transportation network, and detect 3 typical types of inefficient routes. In China, surrounding working units, residential area, universities, governments with walls (i.e., compounds or “big yard”) are quite common and unique, which is designed to an independent ecosystem, but nowadays can cause inefficiency of the city, and inconvenience to residents, and may have some other profound effects.  And from a dynamical and interactive perspective, based on the concept of AP, we come up with a simple model (1 free parameter and 4 simple assumptions) to reproduce the spatial distribution within cities and explain the origins of spatial scaling within cities and scaling laws across cities at the same time.  With the development of building and transportation technologies, the city sprawl itself in both 2D (fast routes) and 3D (skyscrapers) space, which is the old story we have been hearing for decades. From a brand new perspective, such processes are actually folding more space to the urban central area to further promotes human interactions. From such a folding cities perspective, we can better reveal the true structure of urban systems and change how we perceive our living environment.

     

    简介:李睿琪,北京化工大学信息科学与技术学院副教授,城市网络实验室主任,北京师范大学系统科学博士,博士期间在麻省理工学院与波士顿大学进行联合本科就读于电子科技大学国际化软件人才实验班。主要研究方向为城市大数据分析与建模、社会网络研究与流行病传播动力学。目前发表SCI论文十余篇,引用150余次,相应工作发表在Nature CommunicationsScientific Reports、PLoS One、Physica A等SCI期刊,并在Statphys25/26、Conference of Complex Systems、NetSci、NetSciX等多个国际大会上作口头报告,曾荣获第十二届社会网与社会资本研究年会最佳论文奖。目前是Scientific Reports、Habitat International、Cities、IEEE Access、PLoS One、Physica A、IJMPC、TRB/TRR、Journal of Systems Science and Complexity等多个SCI与SSCI期刊的审稿人。



    举报活动

    活动标签

    最近参与

    • 郝玺龙-思考和计算的大狗
      报名

      (5年前)

    • 李涛
      收藏

      (5年前)

    • Positano Nocera Inferiore
      收藏

      (5年前)

    • C.W
      收藏

      (5年前)

    • xiao
      收藏

      (5年前)

    • 1323411***
      收藏

      (5年前)

    您还可能感兴趣

    您有任何问题,在这里提问!

    为营造良好网络环境,评价信息将在审核通过后显示,请规范用语。

    全部讨论

    • Quijote 5年前 0

      你好,到计算中心了,找不到组织

    • wyh 5年前 2

      您好 这个活动没有报上名可以过去听吗

    活动主办方更多

    集智俱乐部

    集智俱乐部

    集智俱乐部 集智俱乐部,英文名:Swarma Club,成立于 2003 年,是一个从事学术研究、享受科学乐趣的探索者的团体,也是国内最早的研究人工智能、复杂系统的科学社区。它倡导以平等开放的态度、科学实证的精神,进行跨学科的研究与交流,力图搭建一个中国的 “ 没有围墙的研究所 ”。目前已出版著作包括《科学的极致——漫谈人工智能》以及《走近2050——注意力、互联网与人工智能》译作《深度思考》

    微信扫一扫

    分享此活动到朋友圈

    免费发布