【ICML2020硬货】图神经网络基准,53页ppt,NUS-Xavier Bresson

2020 年 7 月 18 日 专知
【ICML2020硬货】图神经网络基准,53页ppt,NUS-Xavier Bresson

ICML2020 图表示学习论坛上,NUS Xavier Bresson副教授做了关于《图神经网络基准》的报告,非常干货!

https://grlplus.github.io/schedule/


论文 :Benchmarki ng Graph Neural Networks

  • 作者:Vijay Prakash Dwivedi、Chaitanya K. Joshi、Yoshua Bengio 等

  • 论文链接:https://arxiv.org/pdf/2003.00982.pdf


摘要: 近期的大量研究已经让我们看到了图神经网络模型(GNN)的强大潜力,很多研究团队都在不断改进和构建基础模块。但大多数研究使用的数据集都很小,如 Cora 和 TU。在这种情况下,即使是非图神经网络的性能也是可观的。如果进行进一步的比较,使用中等大小的数据集,图神经网络的优势才能显现出来。

在斯坦福图神经网络大牛 Jure 等人发布《Open Graph Benchmark》之后,又一个旨在构建「图神经网络的 ImageNet」的研究出现了。近日,来自南洋理工大学、洛约拉马利蒙特大学、蒙特利尔大学和 MILA 等机构的论文被提交到了论文预印版平台上,在该研究中,作者一次引入了六个中等大小的基准数据集(12k-70k 图,8-500 节点),并对一些有代表性的图神经网络进行了测试。除了只用节点特征的基准线模型之外,图神经网络分成带或不带对边对注意力两大类。GNN 研究社区一直在寻求一个共同的基准以对新模型的能力进行评测,这一工具或许可以让我们实现目标。

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“BGNN” 可以获取《图神经网络基准,53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
登录查看更多
1

相关内容

近期的大量研究已经让我们看到了图神经网络模型(GNN)的强大潜力,很多研究团队都在不断改进和构建基础模块。但大多数研究使用的数据集都很小,如 Cora 和 TU。在这种情况下,即使是非图神经网络的性能也是可观的。如果进行进一步的比较,使用中等大小的数据集,图神经网络的优势才能显现出来。

在斯坦福图神经网络大牛 Jure 等人发布《Open Graph Benchmark》之后,又一个旨在构建「图神经网络的 ImageNet」的研究出现了。近日,来自南洋理工大学、洛约拉马利蒙特大学、蒙特利尔大学和 MILA 等机构的论文被提交到了论文预印版平台上,在该研究中,作者一次引入了六个中等大小的基准数据集(12k-70k 图,8-500 节点),并对一些有代表性的图神经网络进行了测试。除了只用节点特征的基准线模型之外,图神经网络分成带或不带对边对注意力两大类。GNN 研究社区一直在寻求一个共同的基准以对新模型的能力进行评测,这一工具或许可以让我们实现目标。

成为VIP会员查看完整内容
0
21

在ICML2020 图表示学习论坛上,NUS Xavier Bresson副教授做了关于《图神经网络基准》的报告,非常干活!

论文 :Benchmarking Graph Neural Networks

作者:Vijay Prakash Dwivedi、Chaitanya K. Joshi、Yoshua Bengio 等

论文链接:https://arxiv.org/pdf/2003.00982.pdf

摘要:近期的大量研究已经让我们看到了图神经网络模型(GNN)的强大潜力,很多研究团队都在不断改进和构建基础模块。但大多数研究使用的数据集都很小,如 Cora 和 TU。在这种情况下,即使是非图神经网络的性能也是可观的。如果进行进一步的比较,使用中等大小的数据集,图神经网络的优势才能显现出来。

在斯坦福图神经网络大牛 Jure 等人发布《Open Graph Benchmark》之后,又一个旨在构建「图神经网络的 ImageNet」的研究出现了。近日,来自南洋理工大学、洛约拉马利蒙特大学、蒙特利尔大学和 MILA 等机构的论文被提交到了论文预印版平台上,在该研究中,作者一次引入了六个中等大小的基准数据集(12k-70k 图,8-500 节点),并对一些有代表性的图神经网络进行了测试。除了只用节点特征的基准线模型之外,图神经网络分成带或不带对边对注意力两大类。GNN 研究社区一直在寻求一个共同的基准以对新模型的能力进行评测,这一工具或许可以让我们实现目标。

成为VIP会员查看完整内容
0
49

【导读】来自Sayak Paul讲解的 模型优化基础,值得学习

成为VIP会员查看完整内容
0
44
小贴士
相关VIP内容
专知会员服务
84+阅读 · 2020年8月30日
专知会员服务
134+阅读 · 2020年8月26日
专知会员服务
21+阅读 · 2020年8月22日
专知会员服务
49+阅读 · 2020年7月18日
专知会员服务
44+阅读 · 2020年6月8日
因果图,Causal Graphs,52页ppt
专知会员服务
133+阅读 · 2020年4月19日
相关论文
Yin Cui,Menglin Jia,Tsung-Yi Lin,Yang Song,Serge Belongie
12+阅读 · 2019年1月16日
Omni-directional Feature Learning for Person Re-identification
Di Wu,Hong-Wei Yang,De-Shuang Huang
3+阅读 · 2018年12月13日
Shengbin Jia
3+阅读 · 2018年11月6日
Global-and-local attention networks for visual recognition
Drew Linsley,Dan Shiebler,Sven Eberhardt,Thomas Serre
3+阅读 · 2018年9月6日
Viewpoint Estimation-Insights & Model
Gilad Divon,Ayellet Tal
3+阅读 · 2018年7月3日
Yuki Kawara,Chenhui Chu,Yuki Arase
6+阅读 · 2018年5月25日
Hanxiao Wang,Shaogang Gong,Xiatian Zhu,Tao Xiang
3+阅读 · 2018年5月4日
Xiaobin Chang,Timothy M. Hospedales,Tao Xiang
4+阅读 · 2018年4月17日
Jianlou Si,Honggang Zhang,Chun-Guang Li,Jason Kuen,Xiangfei Kong,Alex C. Kot,Gang Wang
5+阅读 · 2018年3月27日
Chaojie Mao,Yingming Li,Yaqing Zhang,Zhongfei Zhang,Xi Li
7+阅读 · 2018年3月7日
Top