KDD：图神经网络、公平性与包容性

本届知识发现与数据挖掘会议（KDD）主席就会议议程中最令人兴奋的内容分享见解。

图神经网络的应用前景

图结构数据能够编码不同数据项之间的关系，而图神经网络（GNN）作为机器学习模型，可通过推断图结构助力知识发现。某中心机器学习解决方案实验室高级经理Huzefa Rangwala指出：“我们的世界以多种方式相互连接，因此图神经网络将在社交网络、交通网络、知识图谱和药物发现等不同领域找到应用场景。”

某中心机器学习解决方案实验室整合科学家专业知识与云计算资源解决客户机器学习问题。该团队正运用图神经网络表示蛋白质等大分子及其相互作用伙伴，“通过图神经网络加速药物发现或寻找新生物治疗剂，已与某制药机构客户实际部署该方案”。

技术挑战与突破

当前核心挑战在于如何将蛋白质等输入数据转化为图结构表示，并以稳健方式实现工程化。其他开放挑战与深度学习方法类似：如何确保最终结果具备可解释性和鲁棒性？终端用户不仅需要预测分数，更需理解预测逻辑。

随着数据集和交互规模增长，KDD会议提出了多种技术方案：

• 并行化处理方法
• 高效数据结构运用
• 针对图结构优化的新计算架构设计

从理论到实践的转化

KDD会议不仅展示核心数据科学方法的创新，更聚焦如何将机器学习研究转化为终端用户可用的解决方案。会议包含研究轨道和应用数据科学轨道，既呈现前沿研究，也展示跨领域转化应用，涵盖物理、生物、化学到社会科学等多个领域。

可信AI与公平性

在知识发现领域，公平性已成为重要研究议题。可信AI需要满足三大要素：

• 公平性
• 可解释性
• 可复现性

学界正在探索数据偏见与社会偏见的本质区别，开发审计与缓解方法，并赋能开发者、决策者和终端用户共同确保算法可信度。KDD会议专门设立"可信AI日"并举办"KDD女性学者"活动，推动建立更具包容性的技术社区。

本文基于2022年KDD会议技术讨论整理，涉及图神经网络架构、可解释AI等核心技术议题。