GS Lab 图科学实验室Graph Science Lab 2022-06-03 00:51 发表于台湾
来源:清华大学
摘要
在复杂的现实生活应用中,图是有用的数据结构,例如对物理系统建模、学习分子指纹、控制交通网络以及在社交网络中推荐朋友。然而,这些任务需要处理包含元素之间丰富的关系信息的非欧几里得图数据,并且不能被传统的深度学习模型(例如,卷积神经网络(CNN)或递归神经网络(RNN))很好地处理。图中的节点通常包含有用的特征信息,这些信息在大多数无监督表示学习方法(例如,网络嵌入方法)中无法很好地解决。图神经网络(GNN)将特征信息和图结构结合起来,通过特征传播和聚合来学习更好的图表示。由于其令人信服的性能和高可解释性,GNN最近成为一种应用广泛的图分析工具。
本书全面介绍了图神经网络的基本概念、模型和应用。它从引入普通 GNN 模型开始。然后介绍了普通模型的几种变体,例如图卷积网络、图递归网络、图注意力网络、图残差网络和几个通用框架。还包括不同图形类型的变体和高级训练方法。至于 GNN 的应用,本书将其分为结构化、非结构化和其他场景,然后介绍了解决这些任务的几个典型模型。最后,结束语部分提供了 GNN 开放资源和对未来几个方向的展望。
Introduction to Graph Neural Networks
Authors: Zhiyuan Liu, Jie Zhou
Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan and Claypool Publishers, March 2020. 127 pages.
Links: [Publisher] (https://www.morganclaypool.com/doi/10.2200/S00980ED1V01Y202001AIM045)需要电子档,请加入微信群
Welcome comments and suggestions: liuzy@tsinghua.edu.cn
作者简介
刘志远
清华大学计算机科学与技术系副教授。他于 2006 年获得学士学位和博士学位。2011年毕业于清华大学计算机科学与技术系。他的研究兴趣是自然语言处理和社会计算。他在国际期刊和会议上发表了 60 多篇论文,包括 IJCAI、AAAI、ACL 和 EMNLP。
个人主页:http://nlp.csai.tsinghua.edu.cn/~lzy/
周杰
清华大学计算机科学与技术系硕士二年级学生。2016年获得清华大学工学学士学位,研究兴趣包括图神经网络和自然语言处理。
目录