主讲人：Falih Febrinanto

时间：2025年09月26日15：15

地点：澳联大C506

主讲人简介：

Falih Febrinanto于2018年获得印度尼西亚布拉维贾亚大学计算机科学学士学位，2021年获得澳大利亚联邦大学技术硕士学位，2025年获得澳大利亚联邦大学信息技术博士学位。他曾在IEEE CIM、TCSS、ACM TIST、Artificial Intelligence Review、Interspeech和WSDM等期刊和会议上发表科学论文。他的研究兴趣包括图学习、深度学习和异常检测。

内容摘要：

图学习是一种高级的图数据建模技术，它由表示为节点的实体和表示为边的相互作用组成。图学习已被应用于检测任务，如异常检测和分类，以识别网络物理系统、医疗保健和网络安全等领域的特定模式或违规行为。尽管其潜力巨大，但各种挑战可能会影响其可靠性。首先，图表通常包含未知的交互，手动标记这些交互的成本很高。其次，使用单一类型的关系可能会导致忽略重要的细节。第三，图学习模型中的信息瓶颈限制了它们捕捉远程节点交互的能力。第四，当使用监督学习时，有限的标签可用性可能导致过拟合。最后，由于数据随时间变化，图学习模型在适应新数据时可能会忘记旧信息。我的研究探索了几种方法来提高各种检测任务中图学习的可靠性。