「图神经网络GNN:模型与应用」最新SDM2021-Tutorial，附视频与203页ppt

社交网络和分子图等结构化的图形数据在现实世界中随处可见。设计先进的图结构数据表示学习算法，促进下游任务的完成，具有重要的研究意义。图神经网络(GNNs)将深度神经网络模型推广到图结构数据，为从节点级或图级有效学习图结构数据表示开辟了一条新途径。由于其强大的表示学习能力，GNN在从推荐、自然语言处理到医疗保健等各种应用中获得了实际意义。近年来，它已成为一个热门的研究课题，越来越受到机器学习和数据挖掘界的关注。本教程涵盖了相关和有趣的主题，包括使用GNNs在图结构数据上的表示学习、GNNs的鲁棒性、GNNs的可扩展性和基于GNNs的应用程序。

目录内容：

1. 引言 Introduction

1. Graphs and Graph Structured Data

2. Tasks on Graph Structured Data

3. Graph neural networks

2. 基础 Foundations

1. Basic Graph Theory

2. Graph Fourier Transform

3. 模型 Models

1. Spectral-based GNN layers

2. Spatial-based GNN layers

3. Pooling Schemes for Graph-level Representation Learning

4. Self-Supervised Learning for GNNs

4. 应用 Applications

1. Recommendation

https://cse.msu.edu/~wangy206/tutorials/sdm2021/

报告嘉宾：

Yiqi Wang是密歇根州立大学计算机科学与工程系的博士生。她正在研究图神经网络，包括基本算法、鲁棒性和应用。

Yao Ma，密歇根州立大学计算机科学与工程博士，数据科学与工程实验室（DSE实验室）研究助理。他的研究兴趣包括用于图结构化数据表示学习的网络嵌入和图神经网络，曾在WSDM，ASONAM，ICDM，SDM，WWW，KDD和IJCAI等顶级会议发表论文。 在加入密歇根州立大学之前，已获得埃因霍温理工大学硕士学位和浙江大学学士学位。

Wei Jin，密歇根州立大学计算机科学与工程博一学生，导师 Jiliang Tang 。研究领域为图表示学习，目前致力于图神经网络领域，包括其理论基础，模型鲁棒性和应用。

Jiang Tang，自2016年秋担任密歇根州立大学计算机科学与工程系助理教授。此前，为Yahoo Research的研究科学家，并于2015年从亚利桑那州立大学获得博士学位。研究兴趣包括社交计算，数据挖掘和机器学习及其在教育中的应用。 他曾获得2019年NSF职业奖，2015年KDD最佳论文奖亚军和6个最佳论文奖，其中包括WSDM2018和KDD2016。 他是会议组织者（例如KDD，WSDM和SDM）和期刊编辑（例如TKDD）。 他在高级期刊和顶级会议上的发表了多篇论文，已获数千引用和广泛的媒体报道。

Tyler Derr是范德比尔特大学电子工程和计算机科学系的助理教授。他于2020年获得密歇根州立大学计算机科学博士学位。他的研究方向是网络分析和表示学习。

教程预览

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“GNN203” 可以获取《「图神经网络GNN:模型与应用」最新SDM2021-Tutorial，附视频与203页ppt》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源