為什么要進行圖學習？談一談逆勢而上的圖神經網絡(GNN)

本文轉載自查看原文 2021-01-16 14:38 308 GNN

問一問近幾年來逆勢而上的技術有什么？相信你一定會說出來一個：圖神經網絡。

圖神經網絡將會在人工智能的各個領域起着非常重要的作用，雖然目前還沒有完全成為各大頂會的焦點，但不可否認，它將會。因為相對於一般的神經網絡，圖神經網絡解決了一個很關鍵的問題，就是object跟object之間的關系，這個object可以是網絡中的節點，圖像中的像素，文本中的單詞，語音中的音符，甚至是神經網絡的基本操作。可以看出來，圖神經網絡可以與自然語言處理，計算機視覺，強化學習，甚至是最基本的缺失值補全這樣的機器學習任務結合。圖神經網絡下面的一些特點：

（1）圖神經網絡能夠實現強大的非結構學習的能力：

圖神經網絡能夠從非結構化數據（例如:場景圖片、故事片段等）中進行學習和推理。盡管傳統的深度學習方法被應用在提取歐氏空間數據的特征方面取得了巨大的成功，但許多實際應用場景中的數據是從非歐式空間生成的，傳統的深度學習方法在處理非歐式空間數據上的表現卻仍難以使人滿意。

（2）圖神經網絡可以學習時序以及非時序排序的特征學習：

GNN的輸出不以節點的輸入順序為轉移的。而在時空領域的建模，我們既可以關注無先后順序的空間拓撲結構，也可以建模有順序的時間維度，多一維度的信息，多一份決策的能力；

（3）圖神經網絡可以解決兩個節點之間依賴關系的學習：

傳統的神經網絡中，這種依賴關系只能通過節點的特征來體現。圖嵌入通過保留圖的網絡拓撲結構和節點內容信息，將圖中頂點表示為低維向量，以便使用簡單的機器學習算法（例如，支持向量機分類）進行處理。

除此之外，圖神經網絡在社交網絡、廣告推薦、搜索推薦、葯物生成、智能體交互、高能物理學到社會科學和經濟學等領域的復雜關系建模和互動系統構建起到重要作用。今天，給大家介紹一個長期關注圖神經網絡，干貨滿滿的公眾號，深度學習與圖網絡。該公眾號，主要關注圖神經網絡，以及深度學習和機器學習相關內容，偶爾嘗試解讀一些有意思的研究工作，"但水平有限，歡迎來批評指正"。在研究方向上，關注以下幾個方面：

圖與自然語言處理
圖與計算機視覺
圖與智慧交通
圖與推薦
圖優化與解決過平滑問題
圖上節點分類
圖池化與分類以及分子圖生成
動態圖,時空圖嵌入

在研究動態上：公眾號關注NeurIPS, ICML, KDD, CVPR等會議論文，TPAMI, TNNLS, TKDE, TKDD等期刊論文，以及關注Arxiv上與圖網絡相關的研究動態，同時關注GitHub上關於GNN 庫。如果你也是上面研究方向的同學，歡迎關注與收藏。下面是最近的推送，看看有沒有你需要的~：

近期40條精彩推送

Dynamic/Temporal Graph動態圖|時態圖相關論文，數據集匯總

NeurIPS2020 | 結合集成學習與Rademacher復雜度分析多尺度GNN解決過擬合問題

NeurIPS2020 | 圖池化Rethinking pooling in graph neural networks

NeurIPS2020 | 圖分類SOTA：節點互信息最大化與多尺度特征交互

NeurIPS 2020 | 超越同質性假設: 解決當前GNN的局限與並提出有效性設計

NeurIPS 2020 | 圖上學習新方式—迭代式圖學習: 結合下游任務迭代地學習圖結構和圖表示

NeurIPS2020 | 解決不確定性問題—用於半監督學習的圖隨機神經網絡(代碼已經公開)

ICLR 2020 | 兼顧效率與質量—基於譜方法的高效多級圖嵌入框架

NeurIPS2020 | 用於半監督學習的圖隨機神經網絡

NeurIPS2020 | 顯著超越STGCN: 方法簡單-效果顯著自適應構圖的時空圖網絡

硬核 | TKDE2020-時空數據挖掘深度學習技術全面綜述