Deep Learning for Graphs: Models and Applications，密歇根州立大学唐继良助理教授，CIPS ATT 16（2019）

主题：Deep Learning for Graphs: Models and Applications

摘要：图提供了多种类型的数据的通用表示，而深度学习在表示学习方面显示了巨大的能力。因此，用图连接深度学习提供了机会，使各种现实世界问题的通用解决方案成为可能。然而，传统的深度学习技术对常规网格数据(如图像和序列)具有破坏性，因此不能直接应用于图结构数据。因此，将这两个领域结合起来面临着巨大的挑战。在本教程中，我将全面概述图深度学习的最新进展，包括模型和应用。特别地，我将介绍一些基本概念，回顾最先进算法，并举例说明各种重要的应用。最后，我将通过讨论开放问题和挑战来总结本教程。

嘉宾简介：唐继良（Jiang Tang）自2016年秋季@起担任密歇根州立大学计算机科学与工程系的助理教授。在此之前，他是Yahoo Research的研究科学家，并于2015年从亚利桑那州立大学获得博士学位。他的研究兴趣包括社交计算，数据挖掘和机器学习及其在教育中的应用。他曾获得2019年NSF职业奖，2015年KDD最佳论文亚军和6项最佳论文奖，包括WSDM2018和KDD2016。他是会议组织者（例如KDD，WSDM和SDM）和期刊编辑（例如TKDD）。他的研究成果发表在高排名的期刊和顶级会议论文集上，获得了数千篇引文（Google学术搜索）和广泛的媒体报道。

PPT链接：https://pan.baidu.com/s/1TMv5YsQbwPcRzGy-BkY-bg