BOB半岛体育——习在致中国科学院建院70周年贺信中作出的“两加快一努力”重要指示要求
1949年，伴随着新中国的诞生BOB半岛体育，中国科学院成立。作为国家在科学技术方面的最高学术机构和全国自然科学与高新技术的综合研究与发展中心，建院以来，中国科学院时刻牢记使命，与科学共进，与祖国同行，以国家富强、人民幸福为己任，人才辈出，硕果累累，为我国科技进步、经济社会发展和国家安全做出了不可替代的重要贡献。更多简介 +
中国科学院院级科技专项体系包括战略性先导科技专项、重点部署科研专项、科技人才专项、科技合作专项、科技平台专项5类一级专项，实行分类定位、分级管理。
为方便科研人员全面快捷了解院级科技专项信息并进行项目申报等相关操作，特搭建中国科学院院级科技专项信息管理服务平台BOB半岛体育。了解科技专项更多内容，→
中国科学技术大学（简称“中科大”）于1958年由中国科学院创建于北京，1970年学校迁至安徽省合肥市。中科大坚持“全院办校、所系结合”的办学方针，是一所以前沿科学和高新技术为主、兼有特色管理与人文学科的研究型大学BOB半岛体育。
中国科学院大学（简称“国科大”）始建于1978年，其前身为中国科学院研究生院，2012年更名为中国科学院大学BOB半岛体育。国科大实行“科教融合”的办学体制，与中国科学院直属研究机构在管理体制、师资队伍、培养体系、科研工作等方面共有、共治、共享、共赢，是一所以研究生教育为主的独具特色的研究型大学。
上海科技大学（简称“上科大”），由上海市人民政府与中国科学院共同举办、共同建设，由上海市人民政府主管，2013年经教育部正式批准。上科大秉持“服务国家发展战略，培养创新创业人才”的办学方针，实现科技与教育、科教与产业、科教与创业的融合，是一所小规模、高水平、国际化的研究型、创新型大学。
中国科学院自动化研究所神经计算与脑机交互团队针对图级任务开发了图主干网络模型（Graph Trunk Network，GTR），旨在打破“以结点和边为中心”的传统思维方式，克服传统消息传递范式中的挑战。这一新框架的核心思想在于图级任务通常不需要像结点级任务一样为每个结点学习极其准确的表示。具体而言，新框架使用树分解（tree decomposition）算法在原始图中提取一棵骨架树，进而将骨架树分解为不同级别的主干（亦可称为“树干”），并运用长短期记忆（LSTM）网络沿着主干相应的路径学习各级主干的表示，最后结合各级主干的表示创建原始图的表示。深入的理论分析与全面的实验验证进一步证明了该模型在捕获长程信息和缓解过度挤压问题方面的优越性，为图级任务提供了新见解。
相关研究成果发表在IEEE Transactions on Pattern Analysis and Machine Intelligence上，相关代码已开源。研究工作得到国家自然科学基金委员会和中国科学院等的支持。美国康奈尔大学和微软亚洲研究院的科研人员参与研究。
图主干网络模型在两类图上的流程示意图。首先（左列），从真实世界场景中提取图数据结构，以构建原始图；其次（中列），使用树分解算法从原始图中提取骨架树；最后（右列），将骨架树分解为不同级别的主干，并结合各级主干的表示创建原始图的表示。
多年来，消息传递范式作为图神经网络（GNN）的基础，在广泛应用中取得了成功。尽管这种范式在多种任务中颇具潜力，但对图级任务（graph-level tasks）带来了一些挑战，如长程问题（long-range problem）、信息瓶颈（information bottleneck）、过度挤压现象（over-squashing phenomenon）、有限的表达能力（limited expressivity）。中国科学院自动化研究所神经计算与脑机交互团队针对图级任务开发了图主干网络模型（Graph Trunk Network，GTR），旨在打破“以结点和边为中心”的传统思维方式，克服传统消息传递范式中的挑战。这一新框架的核心思想在于图级任务通常不需要像结点级任务一样为每个结点学习极其准确的表示。具体而言，新框架使用树分解（tree decomposition）算法在原始图中提取一棵骨架树，进而将骨架树分解为不同级别的主干（亦可称为“树干”），并运用长短期记忆（LSTM）网络沿着主干相应的路径学习各级主干的表示，最后结合各级主干的表示创建原始图的表示。深入的理论分析与全面的实验验证进一步证明了该模型在捕获长程信息和缓解过度挤压问题方面的优越性BOB半岛体育，为图级任务提供了新见解。相关研究成果发表在IEEE Transactions on Pattern Analysis and Machine Intelligence上，相关代码已开源。研究工作得到国家自然科学基金委员会和中国科学院等的支持。美国康奈尔大学和微软亚洲研究院的科研人员参与研究。 论文链接GTR在分子图上的流程示意图GTR在社交网络上的流程示意图图主干网络模型在两类图上的流程示意图。首先（左列），从真实世界场景中提取图数据结构，以构建原始图；其次（中列），使用树分解算法从原始图中提取骨架树；最后（右列），将骨架树分解为不同级别的主干，并结合各级主干的表示创建原始图的表示。
