一起学习Wireshark-1.1.3

AutoGL 工具包首先使用 AutoGL Dataset 维护图机器学习任务所需数据集。AutoGL Dataset 导入了大规模图表示学习工具包 CogDL 和图神经网络库 PyTorch Geometric (PyG) 中的数据集模块，并添加对 OGB 数据集的支持，同时还添加了一些支持以便集成 auto solver 框架。

不同的图机器学习任务可以通过不同的 AutoGL Solver 得到解决。AutoGL Solver 使用四个主要模块自动化解决给定任务，分别是特征工程（Feature Engineering）、图学习模型（Graph Learning Model）、超参数优化（HPO），以及模型自动集成（Auto Ensemble）。每个部分在设计时都引入了对图数据特殊性的考虑。
 

图结构丰富且具有与生俱来的导向能力，因此非常适合机器学习模型。同时，它又无比复杂，难以进行大规模扩展应用。而且不同的图数据在结构、内容和任务上千差万别，所需要的图机器学习模型也可能相差甚远，这就导致不同任务的模型自动化面临巨大挑战。如何设计最优的图自动机器学习模型，是一个尚未解决的难题。

图 + AutoML = ？

自动机器学习 (AutoML) 旨在将机器学习的过程自动化，在降低机器学习使用门槛的同时，提升机器学习的效果。但现有的自动机器学习工具，无法考虑图数据的特殊性，因此无法应用在图机器学习模型中。

为了解决该问题，清华大学朱文武教授带领的网络与媒体实验室发布了全球首个开源自动图学习工具包：AutoGL (Auto Graph Learning)。该工具支持在图数据上全自动进行机器学习，并且支持图机器学习中最常见的两个任务：节点分类任务（node classification）与图分类任务（graph classification）。
 

第三，提高了高校管理现代化水平。大数据的开发整合以及信息化管理水平提高，不仅极大地简化、优化了高校管理网络、框架和链条，让高校能够更好地感知多元复杂信息，进行具有前瞻性的智慧化管理，填补了管理漏洞;也有助科学决策和提升财务管理效益及高校的整体竞争力;还能强化教师、管理人员和学生的信息化、网络化、智能化认知，提升他们的专业技能、就业适应性和在就业市场上的竞争力。

面临多重挑战

不过，在美国高校开发利用大数据、提升信息化水平的实践中也暴露出了一些问题。

首先，利用大数据和互联网技术的意识和能力有待增强。提升高校工作人员的大数据运用意识和能力，是有效利用大数据提高高校管理信息化水平的前提，但美国高校中仍有许多工作人员缺乏使用大数据等技术的意识与技能。美国高校管理信息化的发展还面临基础设施投入不足、技术更新不够快、数据模型不相符、信息整合应用不深入等问题。

其次，数据开发及真实性保障有待加强。教育网络数据信息规模庞大、更新快速并在不同平台间扩散，这加大了有效收集甄选、合理运用信息和确保其真实可靠的难度。有的高校利用社交网站收集入学申请者的信息，但部分社交网站的注册申请并不是实名制的，还有一些申请者不能经常使用互联网，或者不能经常、熟练使用社交网站，这都容易引发相关管理人员的误判。

再次，大数据运用转化水平尚待提高。只有科学地将大数据转化为有关各方的实践工具，能真正发挥其自身的作用。这要求人们开发出个性化与通用化有机结合的、适合不同大学的大数据平台产品，开发此类产品以及为使用人员提供培训和技术指导的难度都较大。同时发展信息技术还要适应信息传播过快和不同部门、环节信息来源多样所带来的整合难题。

最后，保护隐私和信息安全挑战大。由于数据的采集、存储、使用涉及不同主体和多个环节而且不公开透明，因而容易引发顾虑和争议。私密性保护以及信息安全等成为高校数据化管理的重大难题。如何改良大数据技术，使其安全可靠且能够有效整合来源广泛的数据并有效保护隐私，是美国高校进一步推进管理信息化改革需要应对的重要挑战。

（编辑：信阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!