图神经网络是一种对没有固定结构的数据进行建模的诱人方法。然而,让他们按预期工作多年来经历了一些曲折。在本次演讲中,我将介绍图挖掘团队在谷歌上使GNN有用的工作。我将专注于我们已经发现的挑战以及我们为它们开发的解决方案。具体来说,我将重点介绍一些工作,这些工作实现了更富表现力的图卷积、更健壮的模型和更好的图结构。

https://zenodo.org/record/6501456#.YnFRIOdBxPY

成为VIP会员查看完整内容
47
0

相关内容

《5G+智慧农业解决方案》22页PPT,三昇农业
专知会员服务
28+阅读 · 3月23日
图神经网络前沿进展与应用
专知会员服务
62+阅读 · 1月24日
专知会员服务
38+阅读 · 2020年12月26日
【KDD2020】图神经网络:基础与应用,322页ppt
专知会员服务
62+阅读 · 2020年8月30日
一份简单《图神经网络》教程,28页ppt
专知会员服务
94+阅读 · 2020年8月2日
【ACL2020】多模态信息抽取,365页ppt
专知会员服务
106+阅读 · 2020年7月6日
【WWW2020】DGL深度图神经网络实战教程,PPT+代码
专知会员服务
149+阅读 · 2020年4月12日
2022最新!3篇GNN领域综述!
图与推荐
4+阅读 · 2月18日
图神经网络框架 DGL V0.6发布,更快更好用
图与推荐
0+阅读 · 2021年3月1日
【KDD2020】图神经网络:基础与应用,322页ppt
当深度强化学习遇见图神经网络
专知
194+阅读 · 2019年10月21日
清华大学图神经网络综述:模型与应用
机器之心
59+阅读 · 2018年12月26日
图神经网络综述:模型与应用
PaperWeekly
177+阅读 · 2018年12月26日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Directional Graph Networks
Arxiv
24+阅读 · 2020年12月10日
Arxiv
83+阅读 · 2020年3月4日
Position-aware Graph Neural Networks
Arxiv
12+阅读 · 2019年6月11日
Arxiv
25+阅读 · 2018年2月27日
小贴士
相关主题
相关VIP内容
《5G+智慧农业解决方案》22页PPT,三昇农业
专知会员服务
28+阅读 · 3月23日
图神经网络前沿进展与应用
专知会员服务
62+阅读 · 1月24日
专知会员服务
38+阅读 · 2020年12月26日
【KDD2020】图神经网络:基础与应用,322页ppt
专知会员服务
62+阅读 · 2020年8月30日
一份简单《图神经网络》教程,28页ppt
专知会员服务
94+阅读 · 2020年8月2日
【ACL2020】多模态信息抽取,365页ppt
专知会员服务
106+阅读 · 2020年7月6日
【WWW2020】DGL深度图神经网络实战教程,PPT+代码
专知会员服务
149+阅读 · 2020年4月12日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员