【图网络】斯坦福教授ICLR演讲：图网络最新进展GraphRNN和GCPN

会员服务 ·

【图网络】斯坦福教授ICLR演讲：图网络最新进展GraphRNN和GCPN

2019 年 6 月 14 日 产业智能官

新智元报道

编辑：肖琴

【新智元导读】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

先进制造业+工业互联网

产业智能官 AI-CPS

加入知识星球“产业智能研究院”：先进制造业OT（自动化+机器人+工艺+精益）技术和工业互联网IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建“状态感知-实时分析-自主决策-精准执行-学习提升”的机器智能、认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。

云计算+大数据+物联网+区块链+人工智能等工业互联网IT技术分支用来的今天，制造业者必须了解如何将“技术”全面渗入整个公司、产品、业务等商业场景中，利用工业互联网形成数字化、网络化和智能化力量，实现行业的重新布局、企业的重新构建和焕然新生。

工业互联网作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。