Noticias
Mayo 2022.- Destacando la elegancia del trabajo, y su potencial impacto en investigaciones a futuro, la International Conference on Learning Representations (ICLR) eligió entre los Outstanding Paper Award a “Expressiveness and Approximation Properties of Graph Neural Networks”, trabajo de Juan Reutter, investigador IMFD y académico del Departamento de Ciencia de la Computación (DDC UC) y del Instituto de Ingeniería Matemática Computacional (IMC UC) de la P. Universidad Católica de Chile, y Floris Geerts, de la University of Antwerp. Este artículo presenta una metodología general para evaluar el poder expresivo y de aproximación de las redes neuronales de grafos (GNN).
Las redes neuronales de grafos, o graph neural networks (GNNs) son una herramienta de aprendizaje de máquina usada para trabajar con grafos, como redes sociales, redes de transportes o grafos de conocimiento. Debido a su popularidad, todos los años aparecen decenas de arquitecturas nuevas, todas con sus propias ventajas y desventajas. Este trabajo de investigación entrega un marco general para describir, comparar y analizar arquitecturas de redes neuronales de grafos, junto con herramientas para que los usuarios de GNNs puedan decidir qué arquitectura se ajusta más a sus necesidades.
“Este premio es también un reconocimiento a la interacción entre el DCC UC y el IMC UC, ya que la investigación es fruto de una línea de trabajo y colaboración más amplia que hemos desarrollado entre ambos departamentos, en donde usamos nuestras competencias matemáticas para el estudio de distintos modelos de redes neuronales”, destaca Juan Reutter.
Este año, la conferencia recibió 4492 presentaciones, de las cuales fueron seleccionadas 1095. Entre esas, 54 fueron destacadas con charlas en el programa, y entraron en un nuevo proceso de revisión en donde sólo siete artículos recibieron el Outstanding Paper Award, entre los cuales se cuenta “Expressiveness and Approximation Properties of Graph Neural Networks”.
La conferencia es líder en resultados de deep learning y está clasificada por Google Scholar como la conferencia con más impacto en el área de Inteligencia Artificial. Con publicaciones regulares de los equipos de Google Research, DeepMind, OpenAI, entre otros, la ICLR está clasificada como una conferencia A* según el ranking CORE.
Los otros seis artículos reconocidos son:
Analytic-DPM: an Analytic Estimate of the Optimal Reverse Variance in Diffusion Probabilistic Models. Fan BaoTsinghua University, Tsinghua University; Chongxuan Li, Renmin University of China; Jun Zhu, Tsinghua University y Bo Zhang, Tsinghua University.
Hyperparameter Tuning with Renyi Differential Privacy. Nicolas Papernot, University of Toronto; Thomas Steinke, Google.
Learning Strides in Convolutional Neural Networks. Rachid Riad,Ecole Normale Superieure; Olivier Teboul, Google; David Grangier, Google; Neil Zeghidour, Google.
Comparing Distributions by Measuring Differences that Affect Decision Making. Shengjia Zhao, Stanford University; Abhishek Sinha, Stanford University; Yutong (Kelly) He, Computer Science Department, Stanford University; Aidan Perreault, Stanford University; Jiaming Song,Computer Science Department, Stanford University; Stefano Ermon, Stanford University.
Neural Collapse Under MSE Loss: Proximity to and Dynamics on the Central Path. X.Y. Han,Cornell University; Vardan Papyan, University of Toronto; David L. Donoho, Stanford University.
Bootstrapped Meta-Learning. Sebastian Flennerhag, University of Manchester; Yannick Schroecker, Georgia Institute of Technology; Tom Zahavy, Technion, Technion; Hado van Hasselt, University of Alberta; David Silver, University College London; Satinder Singh, University of Michigan.
