Relational inductive biases, deep learning, and graph networks 论文导读
标题:《关系归纳偏好、深度学习和图网络》
一、推荐理由
简述:DeepMind联合谷歌大脑、MIT等机构的27位作者发表重磅论文,提出“图网络”(Graph network, GN)。
DeepMind作为行业标杆,其动向一直是AI业界的关注热点。最近,DeepMind将对“关系”产生了兴趣, 6月以来接连分布多篇“关系”主题的论文,比如:
- 《关系归纳偏置》(Relational inductive bias for physical construction in humans and machines)
- 《关系深度强化学习》(Relational Deep Reinforcement Learning)
- 《关系RNN》(Relational Recurrent Neural Networks)
而其中,最值得看的将要属这一篇《Relational inductive biases, deep learning, and graph networks》(《关系归纳偏好、深度学习和图网络》),此论文一出,引发业界的广泛讨论,普遍认为其有可能解决灵奖得主Judea Pearl指出的深度学习无法做因果推理的核心问题。
根据ICLR 2019会议论文主题的热度排行榜(参考ICLR热点排行榜),图网络模型中的图神经网络(Graph neural network, GNN)排名为31,但是相比于2018年热度明显增大。
因此,趁着还不太挤,大家赶快搭上“图网络”通向“人类智能”的早班车,迎接下一个十年风口。
二、论文简读
1. 论文主题
作者认为目前的深度学习模型不能发展“人类智能”的主要原因是缺乏“归纳推广”能力;基于此,作者将图(比如知识图谱)与深度学习结合,继而提出图网络,图网络具备图的归纳推广能力与较强的关系归纳偏好,也具备深度学习“端到端”的样本灵活性。
作者写这篇论文的主要目的是建议大家关注图网络模型,同时为图网络模型设计统一框架,引导图网络发展方向。
2. 论文结构
The following is part position paper, part review, and part unification.
如原文所说,论文主要分为三部分,一部分是建议书,建议大家关注图网络模型;一部分是综述,综述现有的图网络模型;还有一部分是统一定义,为图网络模型定义了统一的框架与算法流程。
如果赶时间,可以直接阅读本文的第三部分:问题解决办法,或者论文的第3节:Grap