斯坦福Jure Leskovec清华演讲：图神经网络研究最新进展（附PPT下载）

AI科技评论授权转载自学术头条

昨日，除了刷屏的“双十一”与AAAI开（放）奖（榜），斯坦福大牛Jure Leskovec正好到访清华，小编的朋友圈是一片喜气洋洋呐……

Jure Leskovec有多火，看看现场图就知道了！

Jure Leskovec有多厉害？

Jure Leskovec

图网络领域的大牛Jure Leskovec，是斯坦福大学计算机学院的副教授，也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。

在谷歌学术搜索（Google Scholar）上，Jure拥有接近4.5万的论文引用数量，H指数为84。 这意味什么？

在美国，研究型大学要获得永久教职的副教授，H指数一般为10到12，晋升为正教授则大约为18。 成为美国科学院院士则一般在45以上，中位数是57。 而Jure  84的H指数也就意味着他在人工智能研究领域占有举足轻重的地位。

近年来，深度学习领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图网络已经成为2019年各大深度学习顶会的研究热点。 GNN 处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。 但是，大部分的图网络框架的建立都是基于研究者的先验或启发性知识，缺少清晰的理论支撑。

在ICLR2019中，Jure Leskovec 团队的一篇力作，图神经网络到底有多厉害（ How Powerful are Graph Neural Networks） ？ 提出了基于WL图同构测试的理论框架，为众多的GNN框架给出了精彩的理论分析，并提出了一个简单但强大的图网络框架 GIN（Graph Isomorphism Networks），同时验证了GIN在图分类任务上的卓越性能。 这篇文章认为图神经网络在因果推理方面有巨大的潜力，有望成为 AI 的下一个拐点。

Jure在研究什么？

Jure在演讲中提到，图形领域的机器学习是一项重要而普遍的任务，其应用范围从药物设计到社交网络中的友情推荐。 该领域的主要挑战是找到一种表示或编码图形结构的方法，以便机器学习模型可以很方便地利用它。

他介绍了图神经网络研究的最新进展，他们使用基于深度学习的技术，自动学习将图形结构编码为低维嵌入。 他还介绍了图表示学习的关键进展，包括图形卷积网络及其表示能力，探讨了它在Web级推荐系统、医疗保健、知识表示和推理方面的应用。

以下是该演讲的PPT节选：

深度学习工具箱是为简单的序列和网格而设计的，但并不是任何事物都可以表示为一个序列或一个网格。

我们怎样才能开发出更为广泛应用的神经网络呢？ 可以通过学习图像和序列的经典神经网络之外的新领域。

为什么这很难呢？

因为网络是复杂的！

• 任意大小和复杂的拓扑结构（即没有像网格那样的空间局部性）
• 无固定节点顺序或参考点
• 通常是动态的，具有多模态特征

图形神经网络

GNNs的表现力如何？

理论框架： 描述GNNs的判别力

• 描述GNNs判别能力的上界；
• 提出一种超级强大的GNNs；
• 描述GNNs的辨别力；

  
  

关键点： 根子树

强大的GNN能够区分不同结构的根子树。

想法： 如果GNN函数是内射的，GNN可以捕获/区分根子树结构；

定理： 最具判别力的GNN使用内射多集函数进行相邻聚集；

如果聚合函数是内射的，则GNN可以完全捕获/区分根子树结构。

GNNs的重要性

1.GNNs能做两件事：

• 学习如何从附近节点“借用”特征信息以丰富目标节点；
• 每个节点可以有不同的计算图，网络也可以捕获/学习其结构；

2.可选择计算图：

• 聚合不需要在所有邻近点间发生；
• 可以对邻近点进行选择/抽样；
• 在实践中获得巨大成效；

3.我们了解GNNs的失败案例：

• GNNs无法区分同构节点；
• 结构感知Vs位置感知。

简单介绍到这里，全部PPT链接请点击文末阅读原文

---

点击“阅读原文”查看全部PPT