自监督学习是一种介于无监督和有监督学习之间的新范式，可以有效减少对大量带注释数据的需求。在数据训练的过程中，生成带有无噪声标签的数据集的成本很高，而无标签的数据又一直在不断产生。为了有效利用大量的无标签数据，自监督学习通过设置合理的学习目标和定义前置任务，从数据本身中得到了监督信号。当前自监督学习已经被广泛用于训练卷积神经网络（CNNs），有效地提高了图像表示学习可传递性、泛化能力和鲁棒性，并且已在语义分割、目标检测、图像分类、人体动作识别等实战场景中展现出卓越效果。现在更多无需人工标注的前置任务训练也被提出，如前景对象分割、图像修补、图像着色等。

然而，自监督如何应用于处理图数据结构的图卷积网络（GCNs）的问题却很少被探索。作为图神经网络中的重要分支，GCNs解决了CNNs无法处理非欧几里德结构数据（如社交网络、推荐系统上抽取的图谱等）的问题，能从拓扑结构网络中有效提取空间特征。因此，GCNs成为了当前机器学习领域的研究热点之一。近年的研究重点多聚焦于GCNs的半监督学习算法，而如何在图卷积网络中引入自监督学习，来解决图卷积模型自身的问题，仍然十分值得探索。

8月10日上午10点，智东西公开课邀请到德克萨斯A&M大学电子工程系在读博士游宇宁参与到「机器学习前沿讲座」第5讲，带来主题为《自监督学习在图卷积网络中的研究与应用》的直播讲解。游宇宁博士将深度讲解自监督在GCNs多任务学习、自训练等机制中的探索，并介绍三种基于GCNs的新型自监督学习任务以及如何将多任务自监督学习应用到图对抗性训练中。

游宇宁是德克萨斯A&M大学电子工程系的在读博士，研究方向是图机器学习和自监督学习等，在CVPR、ICML等顶会发表多篇论文。游博士本科毕业于西安交通大学。