报告人：张红英
报告时间：2026年6月1日 9:00
报告地点：综合楼 1101室
报告摘要：
万物皆可图，来自不同领域的数据均可以表示为图，例如文本数据可以看作一维图，图像可以看作二维图，分子和蛋白质等实体也可以天然地的用图表示。近年来，不管是基于拓扑结构建模的图神经网络(GNN)还是节点级别的图表示学习将图中的节点或者整个图转化为低维可计算的向量，以捕捉中心节点周围的拓扑结构信息，为机器学习处理图这种高维复杂的数据形式提供了合适的计算接口。但是，与大语言模型 LLMs 和计算机视觉领域的 ViT相比，由于图拓扑结构的复杂性，GNN在实际应用中面对大规模数据和低质数据时处理能力仍亟需提升。针对上述问题，我们首先从Science4AI的视角探讨图上弱监督学习，以期通过融合人类认知不确定性和多粒度层次学习特点发展高效，可信图计算方法，助力实现符合人类高效认知特点的AI。具体的，我们尝试开展大规模“图”数据的无监督软计算和弱监督学习以进行数据清洗，并获取高质量标注数据，这也是高效完成下游垂直领域任务的关键一环。首先介绍基于锚点图的高效图学习：包括锚点图和粒计算“组合拳”显著提升FCM模型在大规模数据分析中的效率和稳健性；以及基于锚点图的自适应快速偏标记特征选择算法。同时，我们初步探讨了复杂环境下显著提升小样本学习效率的可信GNN；并进一步介绍不影响整体图结构的图对比学习中的节点纠缠对比增强机制和基于双曲几何表示的自适应欧氏-双曲图学习研究框架。
报告人简介：
张红英，西安交通大学数学与统计学院，三级教授，博导，主要研究领域为：粒计算，认知不确定大数据分析，统计机器学习，人工智能。已在国内外重要杂志和国际学术会议上发表学术论文50 余篇，其中， SCI 收录30余篇，ESI论文3篇。目前是中国系统工程学会模糊数学与模糊系统专委会常务委员、中国逻辑学会非经典逻辑与计算专业委员会常务委员、中国人工智能学会粒计算与知识发现专委会常务委员、中国现场统计研究会统计交叉科学分会、中国人工智能学会知识工程与分布智能专委会委员，陕西省统计学学会常务理事。多次到美国德州大学奥斯汀分校、香港中文大学、加拿大Regina 大学等国内外著名大学进行学术交流。主持国家自然科学基金面上项目多项，主持，参与陕西数理基础科学研究项目多项。作为主要参与人参与完成科技创新2030---新一代人工智能重大项目1项，参与科技创新2030“癌症、心脑血管、呼吸和代谢性疾病防治研究”重大项目（2024-2028）1项。Q1杂志《Mathematics》编委, 《模糊数学与系统》编委。
