为什么要进行图学习？谈一谈逆势而上的图神经网络(GNN)

问一问近几年来逆势而上的技术有什么？相信你一定会说出来一个：图神经网络。

图神经网络将会在人工智能的各个领域起着非常重要的作用，虽然目前还没有完全成为各大顶会的焦点，但不可否认，它将会。因为相对于一般的神经网络，图神经网络解决了一个很关键的问题，就是object跟object之间的关系，这个object可以是网络中的节点，图像中的像素，文本中的单词，语音中的音符，甚至是神经网络的基本操作。可以看出来，图神经网络可以与自然语言处理，计算机视觉，强化学习，甚至是最基本的缺失值补全这样的机器学习任务结合。图神经网络下面的一些特点：

（1）图神经网络能够实现强大的非结构学习的能力：

图神经网络能够从非结构化数据（例如:场景图片、故事片段等）中进行学习和推理。尽管传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意。

（2）图神经网络可以学习时序以及非时序排序的特征学习：

GNN的输出不以节点的输入顺序为转移的。而在时空领域的建模，我们既可以关注无先后顺序的空间拓扑结构，也可以建模有顺序的时间维度，多一维度的信息，多一份决策的能力；

（3）图神经网络可以解决两个节点之间依赖关系的学习：

传统的神经网络中，这种依赖关系只能通过节点的特征来体现。图嵌入通过保留图的网络拓扑结构和节点内容信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法（例如，支持向量机分类）进行处理。

除此之外，图神经网络在社交网络、广告推荐、搜索推荐、药物生成、智能体交互、高能物理学到社会科学和经济学等领域的复杂关系建模和互动系统构建起到重要作用。今天，给大家介绍一个长期关注图神经网络，干货满满的公众号，深度学习与图网络。该公众号，主要关注图神经网络，以及深度学习和机器学习相关内容，偶尔尝试解读一些有意思的研究工作，"但水平有限，欢迎来批评指正"。在研究方向上，关注以下几个方面：

图与自然语言处理
图与计算机视觉
图与智慧交通
图与推荐
图优化与解决过平滑问题
图上节点分类
图池化与分类以及分子图生成
动态图,时空图嵌入

在研究动态上：公众号关注NeurIPS, ICML, KDD, CVPR等会议论文，TPAMI, TNNLS, TKDE, TKDD等期刊论文，以及关注Arxiv上与图网络相关的研究动态，同时关注GitHub上关于GNN 库。如果你也是上面研究方向的同学，欢迎关注与收藏。下面是最近的推送，看看有没有你需要的~：

近期40条精彩推送

Dynamic/Temporal Graph动态图|时态图相关论文，数据集汇总

NeurIPS2020 | 结合集成学习与Rademacher复杂度分析多尺度GNN解决过拟合问题

NeurIPS2020 | 图池化Rethinking pooling in graph neural networks

NeurIPS2020 | 图分类SOTA：节点互信息最大化与多尺度特征交互

NeurIPS 2020 | 超越同质性假设: 解决当前GNN的局限与并提出有效性设计

NeurIPS 2020 | 图上学习新方式—迭代式图学习: 结合下游任务迭代地学习图结构和图表示

NeurIPS2020 | 解决不确定性问题—用于半监督学习的图随机神经网络(代码已经公开)

ICLR 2020 | 兼顾效率与质量—基于谱方法的高效多级图嵌入框架

NeurIPS2020 | 用于半监督学习的图随机神经网络

NeurIPS2020 | 显著超越STGCN: 方法简单-效果显著自适应构图的时空图网络

硬核 | TKDE2020-时空数据挖掘深度学习技术全面综述