高斯过程是概率机器学习中的核心方法，凭借其良好的解析性质和出色的不确定性建模能力，被广泛应用于各类机器学习问题。采用深度学习层次化建模范式的“深度高斯过程”则进一步增强了其建模能力，拓宽了其应用范围。

然而，绝大多数现有方法不能很好的扩展到图结构数据。为了学习图信号之间的映射关系及其不确定性，同时利用图结构的连接信息，本期分享嘉宾提出了面向图结构数据的深度图高斯过程DGPG。

在较为宽松的理论假设前提下，他们严格证明了DGPG相较原始的深度高斯过程具有更低的采样方差。同时，大量实验分析表明他们的方法不仅能在小数据集上免于过拟合，还能在大数据集上达到与精心设计的神经网络同等水平的性能。此外，DPGP同样继承了高斯过程在不确定性预测和特征相关性发掘方面的良好特性。

为了帮助大家了解NeurIPS最新研究成果和动态，我们特别邀请到清华大学伯克利深圳研究生院李乃琦博士、清华大学深圳国际研究生院李文杰博士作客AI研习社NeurIPS2020系列论文解读直播间，为大家详细介绍他们被收录的论文情况，两位嘉宾分享完还有问答环节，欢迎大家积极参与互动，一起探讨《深度图高斯过程》。

分享主题：

《深度图高斯过程》

分享时间：

2020年12月1日（周二）20:00-21:00

分享嘉宾：

▲李乃琦

清华-伯克利深圳研究生院，2018级博士生，导师为江勇教授，研究方向为高斯过程、图神经网络、贝叶斯机器学习。

▲李文杰

清华大学深圳国际研究生院，2020级博士生，师从夏树涛教授，研究方向为联邦学习、非参贝叶斯、图神经网络。

分享提纲：

1、问题背景

2、背景知识与相关工作

3、主要工作与贡献：深度图高斯过程

4、实验结果，及在生物信息学中的应用

5、Q&A (不限于论文，欢迎大家一起交流)

论文地址：

https://proceedings.neurips.cc//paper/2020/hash/415e1af7ea95f89f4e375162b21ae38c-Abstract.html

代码地址：https://github.com/naiqili/DGPG

直播间观看地址

AI研习社直播间：https://live.yanxishe.com/room/884

Bilibili直播间：http://live.bilibili.com/5612206

扫码添加小助手微信，回复【NIPS】进入NeurIPS2020论文交流群

点击“阅读原文”，进入直播间预约，避免错过精彩分享！