2020年12月18日下午，经管学院第二期青年学者论坛如约而至。本次特别邀请到段宏波副教授与牛凌峰副教授作为主讲人，与同学们分享各自近期的研究内容与方法。论坛由王曙明副教授主持。

段宏波老师为大家分享的是有关综合评估模型（IAM）的相关内容。综合评估模型是气候治理研究和能源系统转型管理的核心工具，经过数十年的发展，其在方法论上已趋于完善，但仍存在一些颇具挑战性的问题。在此次分享中，段老师从当下热点的能源及气候政策问题入手，引入综合评估建模理论及框架，比较了全球代表性IAM的特点及差异，并基于E3METL实例展示其在碳中和政策研究中的应用。

段老师首先从气候变化的现状讲起，从全球平均温度、温升趋势、海平面上升变化、冰盖面积等气候数据入手，预测了未来温升的趋势，并得出了一些结论，例如：按最低的升温幅度看，到本世纪末，全球气候的升温可能会导致人均产出有15%-40%的下降；半数以上的物种会进入灭绝通道；沿海地区可能会面临更多气候灾害例如海啸频率增高等。

之后，段老师对本次研究的方法论IAMs进行了详细的介绍。他先从气候变化的传统特性和衍生特性出发，为大家介绍了几种经典的模型；并讲解了在传统特性下，模型运行维度基本是百年以上，并且仅仅基于全球框架下；关于衍生特性则主要是基于技术的发展与不确定性；之后谈到了IAMs的框架3E模型、IAM模型的演进以及3E模型的类别，并分别对DICE模型、ENTICE模型以及WITCH模型的优劣势进行了介绍分析。

接着，段老师谈了对“为什么构建自己的模型”的一些思考和战略意义，如何构建模型的方法与步骤以及现有方法的新兴研究趋势，比如：对于决策者来说，如果不同模型做出的结论差异较大时，会让其无法决定应该信任哪一个结果。如果可以做一个多模型对比框架，找出跨越模型的共性的结果，那么这些结论可能会影响政策的制定。之后段老师还分析了一些模型在期刊上发表的情况以及研究区域分布，研究团队合作分布情况，发现了一些跨模型一致的结论并被联合国报告采用，并提出如果想要缩短与国外研究的差距，需要有原创的模型，并且要基于原创的模型做原创的结果，同时还需要紧密的团结合作。

最后，段老师介绍了碳中和的相关问题，包括碳中和的概念以及目前的研究背景和研究进展，并分享了自己近期的研究内容。段老师提到，环境问题有很多，但这个是习近平主席反复重申的一个问题，所以会是一个非常有前景的研究方向。

段老师分享完毕之后，主持人王曙明老师提问：目前看来，有关经济发展与气候保护的相关举措无法实现公平，例如对于贫困国家和富有国家的碳排放惩罚是无法实现公平性的，大家都知道保护环境，但是大家都不会采取理性的策略。段老师回答：这确实是目前的一大难题，经济学的公平与效率很难兼顾。目前斯坦福大学已经开始了气候工程研究，称之为保卫地球的最后一道防线，欲在地球外围做一些工作，比如喷洒硫化物进行人工降温等。

第二位主讲人牛凌峰老师分享的是自己近期的一项研究工作，题目是《Graph influence network》，此次主要向大家介绍了研究的相关背景、关于神经网络等的新概念、新图神经网络结构以及数据实验的结果。

首先，牛老师介绍到，此次的研究是一种作用于图数据上的神经网络---在图像领域里已经取得一定成功的卷积神经网络。在机器学习中，多层神经网络模型比依据人工抽取特征的机器学习方法的准确率提高了很多。从多个案例得出目前的多层神经网络已经达到了比人类更好的学习效果，人工智能客服等应用都离不开卷积神经网路的身影。

获得图灵奖的Yoshua Bengio曾提到，好的特征表达是好的机器学习算法的关键一步，所以特征的表达与学习是机器学习算法的重要工作之一。传统的机器学习方法需要人工抽取和构建标签，需要大量的人力与扎实的专业知识，而且只能针对某一类学科，不具有普适应。深度学习方法出现后，把特征分为几层进行表达，类似于由字母到单词到句子再到全文。那么在图数据上，如何能够基于复杂的数据结构形式将特征合理得表达出来呢？有人曾说，图是世界上最重要的离散模型，我们生活中很多地方都需要用到图数据表示，交通网络图、网页、药品设计、材料设计等等，这些都可以归结为用图数据进行表达。进一步分析，我们可以将图数据分解为两部分，一类是节点，一类是边。节点之间是存在关联关系的，这使得图数据的描述非常复杂。由于图数据的复杂性，处理他的建模等步骤难度都有提升。

之后，牛老师讲到，既然卷积神经网络的应用现在如此成功，能否将卷积神经网络应用于图数据的处理上？在以往的研究中，将卷积神经网络应用于普通的数据上，例如图像、视频、文本等都是可以的，因为这些数据都是规整的，并且有很多快速算法。那我们又该如何设计将卷积神经网络应用于图数据的处理过程中呢？牛老师通过列举虚拟世界的社交网络与脑内的神经元这两个例子帮助大家理解了节点之间的关系。牛老师还讲解了如何把卷积的操作定义在图上面，如何在图上面定义卷积；分享了基于谱方法和基于空间方法的两类图神经网络方法并对两种方法进行了区分；之后又告诉大家如何选取节点以及如何确定选取规模，并通过列举一些著名的方法，指出无论是哪一种方法，都是在邻居聚合的框架下。

针对于目前的研究，牛老师总结到，大多数都是关注于如何设计函数f。但是通过分析，他们发现信息源节点s的选取是否恰当会直接影响到图的表现，所以s的选取在很大程度上影响了图神经网络的表现。基于以上分析，老师分享的这篇文章主要研究的是如何选取目标节点的邻居节点来构造一个恰当的信息源节点s，并对区分目标节点邻居的必要性、区分目标节点的信息源、确定邻居优先级等具体操作进行了详细的讲解，还讲解了如何选择函数与定义各参数，以及各参数之间的关系，并解释了GINN的方法以及框架，最后可以得到最终的表达方式。

最后，牛老师分享了研究的实验结果，并将新方法与GAT方法进行了对比，发现GINN的方法在取到70%的邻居点时就已经超过了GAT，之后的准确率还有进一步的提高。牛老师指出，在不同的数据划分方法下其准确率都可以超过GAT，这样的提升归结于s的构造更合理。牛老师也对其模型进行了分析工作，探究了为什么可以取得这样的结果的原因。

牛老师结束分享后，同学们都积极踊跃地提出了自己的问题。有同学提问到：信息源的改变对计算量的影响有多少。牛老师回答：由于把信息源做了筛选，所以一定程度上增加了计算量，但增加量并不是很大。还有同学问到对s进行更新之后，对应不同的f是否有相同的效果？牛老师解释本文主要是研究选取哪些数据来做加权平均，所以直接选择了最通用的聚合函数。还有同学问到，能否在确定GINN的最佳性能后将参数固定下来，在其他问题中应用时自动选择最优的参数，还是每一次都需要靠自己的经验去调参？老师答道：参数的大小与直接邻居的数量以及你的研究任务有关，邻居的数量会直接影响到结果，如果直接邻居很少的时候，是不能进行筛选的，需要全部纳入s。

最后，王曙明老师对论坛进行了总结，并对两位老师的精彩分享表达了感谢。

经管学院“青年学者论坛”于2020年11月设立，由经管学院党委主办，旨在促进青年学者之间的学术交流与科研合作，拓宽研究视野，培育良好的学术氛围，同时进一步推动学院青年教师及学生与海内外优秀青年学者的交流合作。论坛将每个月举办1-2次学术报告，邀请优秀青年学者进行学术分享。

（文、图/高丽珺）