斯坦福教授ICLR演讲：图网络最新进展GraphRNN和GCPN（附PPT下载）

来自 新智元

编辑：肖琴

图网络领域的大牛、斯坦福大学Jure Leskovec教授在ICLR 2019就图深度生成模型做了演讲，阐述了图生成模型的方法和应用，并详细介绍了他的最新成果

斯坦福大学教授 Jure Leskovec 是图网络领域的专家，图表示学习方法 node2vec 和 GraphSAGE 作者之一。

Jure Leskovec

在今年 ICLR，Jure Leskovec 教授及斯坦福、MIT 的多名研究者发表论文 How Powerful Are Graph Neural Networks?(https://cs.stanford.edu/people/jure/pubs/gin-iclr19.pdf)，详细阐述了图神经网络背后的原理和其强大的表征能力，认为图神经网络在因果推理方面有巨大的潜力，有望成为 AI 的下一个拐点。

参考阅读：

图神经网络将成 AI 下一拐点！MIT 斯坦福一文综述 GNN 到底有多强

此外，在 ICLR 受邀演讲上，Jure Leskovec 教授还就图深度生成模型做了演讲。在这次演讲中，Jure 阐述了图生成模型的方法和应用，并详细介绍了他的最新成果，GraphRNN 和 Graph Convolutional Policy Network。

本文带来该演讲的 PPT。

下载链接 (或点击阅读原文下载）：

http://i.stanford.edu/~jure/pub/talks2/graph_gen-iclr-may19-long.pdf

主要内容：

• 为什么图网络很重要？

• 图生成任务

• GraphRNN：RNN 的两个层次

• 图卷积策略网络：将图表示和强化学习结合起来

为什么图网络很重要？

为什么图网络很重要？

• 深入了解图的形成过程

• 异常检测 - 异常行为，进化

• 预测 —— 根据过去预测未来

• 新的图结构的模拟

• 图补全 - 很多图都是部分可观察的

• “如果” 场景

图生成任务

任务 1：生成逼真的图

• 生成与给定数据集相似的图

任务 2：目标导向的图生成

• 生成优化给定目标 / 约束的图

• 药物分子生成 / 优化

关键的见解

通过顺序添加节点 / 边来生成图

好处：

• 表示具有不同大小、不同序列长度的图

• 将不同的节点顺序对应于不同的生成轨迹

• 捕获节点之间的复杂依赖关系

GraphRNN：RNN 的两个层次

GraphRNN：RNN 的两个层次

目标：将模型图生成作为序列生成

需要对两个流程建模：

• 为新节点生成状态 (节 Node-level RNN)

• 根据新节点的状态生成新节点的边 (Edge-level RNN)

图卷积策略网络

图卷积策略网络：目标导向的图生成 (GCPN)

将图表示 + RL 结合起来

• 图表示 (Graph representation) 捕获复杂的结构信息，并在每个状态转换中启用有效性检查 (Valid)

• 强化学习 (RL) 优化中间 / 最终奖励 (High scores)

• 对抗性训练 (Adversarial training) 模仿给定数据集中的例子 (Realistic)

总结

• 通过序列生成，可以成功生成复杂的图

• 每一步决策都是基于隐藏状态做出的

显式：中间生成图，用 GCN 解码

隐式：向量表示，RNN 解码

• 任务：

模仿一组给定的图

按照既定目标优化图

zenRRan：

我最近有个想法，想通过留言打卡的方式，来督促大家每天学习一丢丢，每天进步一丢丢！留言内容为：【day n】今天我学到了什么或者今天打算学什么。（至少10个字，越详细越好）奖励的方式暂定为打卡够50次送书！大家怎么看？可以留言告诉我！

这种方式类似于简短的日志！因为我们实验室之前一直都是写日志的（对不是周志是日志），效果还是很不错的，一天不逼着自己干点正事，晚上都不知道写点啥。这种倒逼的学习方式，我感觉还不错！

推荐阅读：

一大批历史精彩文章啦

详解Transition-based Dependency parser基于转移的依存句法解析器

干货 | 找工作的经验总结（一）

经验 | 初入NLP领域的一些小建议

学术 | 如何写一篇合格的NLP论文

干货 | 那些高产的学者都是怎样工作的？

是时候研读一波导师的论文--一个简单有效的联合模型

近年来NLP在法律领域的相关研究工作

---

好文！在看！