【南洋理工大学】图神经网络,Graph Neural Networks,附121页ppt

2019 年 10 月 28 日 专知
【南洋理工大学】图神经网络,Graph Neural Networks,附121页ppt

导读

南洋理工大学计算机学院深度学习课程第14讲:图神经网络,由Xavier Bresson主讲,主要内容包括传统卷积网络,频域图卷积网络和空域图卷积网络,全面详细地介绍了GCN的背景、挑战、发展历程、模型和研究方向。


作者 | Xavier Bresson
编译 | Xiaowen


完整PPT下载

请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“NTU-GNN” 就可以获取南洋理工大学GNN121页教程的下载链接~


第一部分:传统卷积网络
    1. 结构
    2. 图结构数据
第二部分:频域图卷积网络
    1. 问题定义
    2. 图理论
        2.1 频域图卷积
        2.2 图池化
    3. 频域图卷积神经网络
    4. 应用
第三部分:空域图卷积网络
    1. 问题定义
    2. 空域图结构
    3. Quantum Chemistry
    4. Operations Research
    5. DGL
结论

篇幅有限,本文仅截取部分PPT内容,完整内容请下载全文Slides查看。


……
篇幅有限,本文仅截取部分PPT内容,完整内容请下载全文Slides查看。

-END-
专 · 知


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,获取更多AI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专业干货知识教程视频资料和与专家交流咨询
请加专知小助手微信(扫一扫如下二维码添加), 获取专知VIP会员码 ,加入专知人工智能主题群,咨询技术商务合作~
点击“阅读原文”,了解注册成为 专知VIP会员 
登录查看更多
36

相关内容

在数学(特别是功能分析)中,卷积是对两个函数(f和g)的数学运算,产生三个函数,表示第一个函数的形状如何被另一个函数修改。 卷积一词既指结果函数,又指计算结果的过程。 它定义为两个函数的乘积在一个函数反转和移位后的积分。 并针对所有shift值评估积分,从而生成卷积函数。

芬兰阿尔托大学CSE4890深度学习课程第7讲:图神经网络,由Alexander Ilin主讲,全面详细地介绍了GNN的背景动机、GCN、循环关系网络、通用网络。

成为VIP会员查看完整内容
0
77

课程介绍: 最近,图神经网络 (GNN) 在各个领域越来越受到欢迎,包括社交网络、知识图谱、推荐系统,甚至生命科学。GNN 在对图形中节点间的依赖关系进行建模方面能力强大,使得图分析相关的研究领域取得了突破性进展。本次课程对比传统的卷积神经网络以及图谱图卷积与空间图卷积,从理论知识入手,并结合相关论文进行详细讲解。

主讲人: Xavier Bresson,人工智能/深度学习方面的顶级研究员,培训师和顾问。在“图深度学习”上的NeurIPS'17和CVPR'17(2019年顶级人工智能会议排名)上的演讲者,在剑桥,加州大学洛杉矶分校,布朗,清华,庞加莱,海德堡等地进行了30多次国际演讲。

课程大纲:

  • 传统卷积神经网络
  • 谱图图卷积
  • 空间图卷积
  • 总结
成为VIP会员查看完整内容
0
163

课程介绍: 最近两年,注意力模型(Attention Model)被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中,是深度学习技术中最值得关注与深入了解的核心技术之一,本课程从基础着手,由浅及深,详细介绍注意力神经网络。

主讲人: Xavier Bresson,人工智能/深度学习方面的顶级研究员,培训师和顾问。在“图深度学习”上的NeurIPS'17和CVPR'17(2019年顶级人工智能会议排名)上的演讲者,在剑桥,加州大学洛杉矶分校,布朗,清华,庞加莱,海德堡等地进行了30多次国际演讲。

课程大纲:

  • 神经网络
  • 神经网络sets
  • 记忆网络
  • Transformers
  • seq2seq Transformers
  • 语言模型Transformers
  • 图网络VS神经网络
  • 总结
成为VIP会员查看完整内容
0
71
小贴士
相关论文
Filippo Maria Bianchi,Daniele Grattarola,Cesare Alippi
11+阅读 · 6月3日
Signed Graph Attention Networks
Junjie Huang,Huawei Shen,Liang Hou,Xueqi Cheng
3+阅读 · 2019年9月5日
Wei-Lin Chiang,Xuanqing Liu,Si Si,Yang Li,Samy Bengio,Cho-Jui Hsieh
9+阅读 · 2019年8月8日
Graph Neural Networks: A Review of Methods and Applications
Jie Zhou,Ganqu Cui,Zhengyan Zhang,Cheng Yang,Zhiyuan Liu,Lifeng Wang,Changcheng Li,Maosong Sun
3+阅读 · 2019年7月10日
Fengwen Chen,Shirui Pan,Jing Jiang,Huan Huo,Guodong Long
10+阅读 · 2019年4月4日
Hao Peng,Jianxin Li,Qiran Gong,Senzhang Wang,Yuanxing Ning,Philip S. Yu
4+阅读 · 2019年2月25日
A Comprehensive Survey on Graph Neural Networks
Zonghan Wu,Shirui Pan,Fengwen Chen,Guodong Long,Chengqi Zhang,Philip S. Yu
15+阅读 · 2019年1月3日
Yao Ma,Ziyi Guo,Zhaochun Ren,Eric Zhao,Jiliang Tang,Dawei Yin
9+阅读 · 2018年10月24日
Petar Veličković,Guillem Cucurull,Arantxa Casanova,Adriana Romero,Pietro Liò,Yoshua Bengio
4+阅读 · 2018年2月4日
Brian Kenji Iwana,Seiichi Uchida
6+阅读 · 2018年1月25日
Top