图谱动态｜学苑周刊 NO.166

图谱学苑 2023-12-28

126

本期将分享近期全球知识图谱相关

行业动态、会议课程、论文推荐

—--| 新闻动态 |--—

人工智能+牙科护理

人工智能和牙科专家在哈佛大学举行的首届人工智能与牙科全球研讨会上分享了他们的见解，他们表示牙科诊所、牙科学校、口腔健康研究人员和政策制定者正在迅速调整自己的位置，以便与口腔保健领域即将兴起的人工智能运动同步发展。展示了超过 65 个研究项目，其中包括一系列设备原型、面向患者的智能手机应用程序以及人工智能和牙科交叉领域正在开发的其他技术。

哈佛医学院生物医学信息学Marinka Zitnik专注于构建知识图谱AI模型，该模型有助于在不同的生物医学数据集中情境化和捕获关系。她的团队开发了一个名为 TxGNN 的知识图谱 AI 模型，该模型使用所有可用的临床和生物医学数据描述了 17000 种疾病。经过训练后，它将能够预测任何给定疗法对患者独特疾病的有效治疗效果，甚至能够推荐 FDA 批准的药物的新用途。

https://tny.im/7Bpmh

“知识图谱与神经符号AI”的专刊征稿

分享来自“Neurosymbolic Artificial Intelligence”期刊的主题为“知识图谱与神经符号AI”的专刊征稿信息，该专刊主要关注神经符号AI与知识图谱和知识工程相关领域的最新技术与应用。具体方向包含但不限于：1）面向知识工程的神经符号AI；2）面向神经符号AI系统的知识图谱；3）知识图谱质量及其对神经符号AI性能的影响；4）面向可信的神经符号AI的知识图谱；5）基于知识图谱的神经符号AI在医疗健康、生物、物联网等领域的应用。截稿日期 2024.5.31

https://tny.im/igDAY

—--| 会议讲座 |--—

第二届CCF中国数字经济50人论坛高端峰会

由中国计算机学会主办，CCF中国数字经济50人论坛组委会，浙江省北大信息技术高等研究院承办的第二届CCF中国数字经济50人论坛高端峰会将于2024年1月13日在杭州萧山召开。数字经济已经成为新一轮科技革命和产业变革的引领者和主要引擎，发展数字经济是我国新时代下的战略选择。近年来，党中央、国务院高度重视发展数字经济发展，通过一系列政策文件给出了极具前瞻性的战略部署。其中，将数据视为一种新型生产要素，更是一项重大的理论和制度创新。为把握数字经济发展趋势和规律，做强做优做大数字经济，培育数字经济新产业、新业态和新模式，增强经济发展新动能，构筑国家竞争新优势，CCF中国数字经济50人论坛总结过往，展望未来。本届峰会主题为“构建数据要素市场体系，增强经济发展新动能”，邀请政府领导、专家学者、行业专家、企业菁英等，通过前沿专题报告、成果发布等形式的活动，建言献策，共同分享数据要素产业构建的实践经验，推进我国数字经济高质量健康发展。

详情请访问：https://conf.ccf.org.cn/web/api/m1187318996739952640170312050814.action

NLDML 2024

第三届自然语言处理、数据挖掘和机器学习国际会议(NLDML 2024)将于2024年1月13日 - 1月14日在澳大利亚澳大利亚悉尼举办。为分享自然语言计算、数据挖掘和机器学习的理论、方法和应用方面的知识和成果提供一个很好的平台。它将为分享自然语言计算、数据挖掘和机器学习的理论、方法和应用方面的知识和成果提供一个极好的国际论坛。会议期待对自然语言计算、数据挖掘和机器学习的所有主要领域在理论和实践方面做出重大贡献。

详情请访问：

https://nldml2024.org/

—--| 论文推荐 |--—

TeraHAC

本周推荐的是发表于SIGMOD2023的论文：TeraHAC: Hierarchical Agglomerative Clustering of Trillion-Edge Graphs，该文提出一种层次聚类算法，作者来自谷歌和马里兰大学。

该文介绍了TeraHAC，一种(1 + 𝜖)-approximate层次聚类算法（(1 + 𝜖)-approximate hierarchical agglomerative clustering (HAC)），该方法是nearest-neighbor chain algorithm和(1 + 𝜖)-approximate HAC定义的新颖结合，可以用于万亿边规模的图。在多达8万亿条边的大量真实世界和合成图上的实验表明，与以前已知的计算HAC的方法相比，TeraHAC需要的轮数要少100倍以上，它比SCC（目前最先进的HAC分布式算法）快8.3倍，同时质量提高1.16倍。

研究问题介绍：层次聚类（Hierarchical agglomerative clustering (HAC)）是一种广泛使用的聚类方法，该算法的输入是𝑛个点以及计算两点之间相似性的函数。该算法的步骤：初始化时，每个点被放在一个单独的大小为1的簇（cluster）中。然后，算法运行一系列步骤，在每一步中，找到一对最相似的簇并将它们合并在一起（簇之间的相似性通过簇中的点之间的相似性来计算）。该算法的输出是一个树状图，描述该算法执行的合并（树的叶子对应于大小为1的初始聚类，每个内部顶点表示通过合并其两个子节点获得的聚类）。

每次仅合并一对簇导致二次时间瓶颈，为克服这点，引入允许(1+𝜖)-approximation的层次聚类：称一个层次聚类算

法是(1 + 𝜖)-approximate，如果：在每一步中，不是仅合并最相似的两个簇，而是如果两个簇的相似性在最大相似性的(1 + 𝜖)因子内，就将两个簇合并在一起。

该论文链接感兴趣的读者可以关注。

https://dl.acm.org/doi/10.1145/3617341