VIP内容

近年来,对图表示学习的研究激增,包括深度图嵌入技术、将CNNs泛化为为图结构数据和神经消息传递方法。图形神经网络(GNNs)和相关技术的发展已经在许多领域带来了最新的研究成果:化学合成、车辆路由、3d视觉、推荐系统、问答、连续控制、自动驾驶和社交网络分析。因此,在几乎所有顶级机器学习会议上,GNNs经常在增长最快的趋势和研讨会上名列前茅。

但是,什么是GNN呢? 快速在线搜索可以发现许多不同的定义。根据作者所假设的背景,这些定义可能大相径庭(甚至使用完全不同的术语)。这并非巧合:我们现在所认为的图神经网络的概念,都是在过去十年里从各种机器学习方向独立出现的。

在这次演讲中,我将尝试对GNNs提供一个“鸟瞰”的视角。在快速学习使用图表示学习的动机之后,我将从排列不变性和等变性的第一原则推导出GNN。通过这一视角,我将描述来自不同领域 (图嵌入、图信号处理、概率图模型和图同构测试)的研究人员是如何独立地得出本质上相同的GNN概念的。

这次演讲的目标听众是一般的计算机科学听众,不过一些关于机器学习的神经网络的基本知识也会很有用。我也希望经验丰富的GNN从业人员可以从我将呈现的分类中受益。

成为VIP会员查看完整内容
0
22
Top