段宏波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。
段宏波老师分享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。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，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，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。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。
牛凌峰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。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。
牛凌峰老师分享
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，如何区分基于谱方法和基于空间方法的两类图神经网络方法，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。
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。
两位老师结束分享后，同学们都积极踊跃地提出了自己的问题，并得到了老师们的耐心解答，大家都感觉受益匪浅。
责任编辑：脱畅
