Press "Enter" to skip to content

斯坦福大牛Jure Leskovec:图神经网络研究最新进展(附PPT下载)

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

昨日, 斯坦福大牛Jure Leskovec 正好到访清华, 学术君的朋友圈是 一片喜气洋洋呐……

 

Jure Leskovec 有多火,来张现场图瞅瞅……

 

 

Jure Leskovec有多厉害?

 

 

Jure Leskovec

 

图网络领域的大牛Jure Leskovec,是斯坦福大学计算机学院的副教授 ,也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。

 

在谷歌学术搜索(Google Scholar)上,Jure拥有接近4.5万的论文引用数量,H指数为84。这意味什幺?

 

在美国,研究型大学要获得永久教职的副教授,H指数一般为10到12,晋升为正教授则大约为18。成为美国科学院院士则一般在45以上,中位数是57。而Jure  84的H指数也就意味着他在人工智能研究领域占有举足轻重的地位。

 

近年来,深度学习领域关于图神经网络(Graph Neural Networks,GNN)的研究热情日益高涨,图网络已经成为2019年各大深度学习顶会的研究热点。GNN 处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。但是,大部分的图网络框架的建立都是基于研究者的先验或启发性知识,缺少清晰的理论支撑。

 

在ICLR2019中,Jure Leskovec 团队的一篇力作,图神经网络到底有多厉害( How Powerful are Graph Neural Networks) ?提出了基于WL图同构测试的理论框架,为众多的GNN框架给出了精彩的理论分析,并提出了一个简单但强大的图网络框架 GIN(Graph Isomorphism Networks),同时验证了GIN在图分类任务上的卓越性能。这篇文章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。

 

Jure在研究什幺?

 

Jure在演讲中提到,图形领域的机器学习是一项重要而普遍的任务,其应用范围从药物设计到社交网络中的友情推荐。该领域的主要挑战是找到一种表示或编码图形结构的方法,以便机器学习模型可以很方便地利用它。

 

他介绍了图神经网络研究的最新进展,他们使用基于深度学习的技术,自动学习将图形结构编码为低维嵌入。他还介绍了图表示学习的 关键进展 ,包括图形卷积网络及其表示能力,探讨了它在Web级推荐系统、医疗保健、知识表示和推理方面的应用。

 

以下是该演讲的PPT节选。

 

 

深度学习工具箱是为简单的序列和网格而设计的,但并不是任何事物都可以表示为一个序列或一个网格。

 

我们怎样才能开发出更为广泛应用的神经网络呢?可以通过学习图像和序列的经典神经网络之外的新领域。

 

 

 

 

 

 

为什幺这很难呢?

 

因为网络是复杂的!

 

任意大小和复杂的拓扑结构(即没有像网格那样的空间局部性);

 

无固定节点顺序或参考点;

 

通常是动态的,具有多模态特征;

 

 

图形神经网络

 

 

 

 

 

 

 

 

 

 

 

GNNs的表现力如何?

 

理论框架:描述GNNs的判别力

 

描述GNNs判别能力的上界;

 

提出一种超级强大的GNNs;

 

描述GNNs的辨别力;

 

关键点: 根子树

 

强大的GNN能够区分不同结构的根子树。

 

想法:如果GNN函数是内射的,GNN可以捕获/区分根子树结构;

 

定理:最具判别力的GNN使用内射多集函数进行相邻聚集;

 

如果聚合函数是内射的,则GNN可以完全捕获/区分根子树结构。

 

 

 

 

GNNs的重要性

 

1.GNNs能做两件事:

 

学习如何从附近节点“借用”特征信息以丰富目标节点;

 

每个节点可以有不同的计算图,网络也可以捕获/学习其结构;

 

2.可选择计算图:

 

聚合不需要在所有邻近点间发生;

 

可以对 邻近点 进行选择/抽样;

 

在实践中获得巨大成效;

 

3.我们了解GNNs的失败案例:

 

GNNs无法区分同构节点;

 

结构感知Vs位置感知。

 

 

 

 

 

 

One Comment

  1. dds

    mark

发表评论

邮箱地址不会被公开。 必填项已用*标注