【KDD2020】图神经网络:基础与应用，322页ppt

从社交网络到分子，许多真实数据都是以非网格对象的形式出现的，比如图。最近，从网格数据(例如图像)到图深度学习受到了机器学习和数据挖掘领域前所未有的关注，这导致了一个新的跨领域研究——深度图学习(DGL)。DGL的目标不是繁琐的特征工程，而是以端到端方式学习图的信息性表示。它在节点/图分类、链接预测等任务中都取得了显著的成功。

在本教程中，我们的目的是提供一个深入的图学习的全面介绍。首先介绍了深度图学习的理论基础，重点描述了各种图神经网络模型(GNNs)。然后介绍DGL近年来的主要成就。具体来说，我们讨论了四个主题:1)深度GNN的训练; 2) GNNs的鲁棒性; 3) GNN的可扩展性; 4) GNN的自监督和无监督学习。最后，我们将介绍DGL在各个领域的应用，包括但不限于药物发现、计算机视觉、医学图像分析、社会网络分析、自然语言处理和推荐。

https://ai.tencent.com/ailab/ml/KDD-Deep-Graph-Learning.html

目录：

• 08:10 am – 09:00 am: Introduction to Graphs and Graph Neural Networks 图神经网络介绍
• 09:00 am – 09:40 am: Robustness of Graph Neural Networks 图神经网络鲁棒性
• 09:40 am – 10:00 am: Break
• 10:00 am – 10:40 am: Self-Supervised Learning for Graph Neural Network I 图神经网络自监督学习
• 10:40 am – 11:20 am: Scalable Learning for Graph Neural Networks & Healthcare 图神经网络可扩展学习
• 11:20 am – 00:15 pm: Graph Structure Learning & NLP 图结构学习