SFFAI13 预告 | 图神经网络最新进展及挑战

会员服务 ·

SFFAI13 预告 | 图神经网络最新进展及挑战

2018 年 12 月 12 日 人工智能前沿讲习班

关注文章公众号

回复"图神经网络"获取本主题精选论文

论坛主题：

图神经网络最新进展及挑战

论坛讲者：

王胤全：中国科学院数学与系统科学研究院硕博二年级在读，本科毕业于中国科学技术大学数学院。目前研究兴趣为图神经网络及其应用。

题目：图卷积神经网络介绍及进展

摘要：图是现实世界中一类重要的数据结构，社交网络、通讯网络、交通网络、蛋白质作用网络等都可以由图的形式表达。图的生成与分类、社区发现、节点分类等任务也有着广泛应用。近几年图卷积神经网络把深度学习中卷积神经网络的思想用到图的学习上，达到了非常好的效果。本次分享将主要介绍图卷积网络的基本概念，以及关于它的一些进展。

Spotlight（突出点）：

理解图卷积神经网络的原理和使用场景；
近几年的研究进展
研究中的问题和难点

高扬：中国科学院信息工程研究所硕博二年级在读，本科毕业于吉林大学。目前主要研究方向是图神经网络及其应用。

题目：图神经网络的变种与挑战

摘要：半监督图卷积神经网络(Semi-GCN)对原始的GCN进行了约束与简化，也因此诞生了诸多研究方向。GraphSAGE首先归纳出了Neighbor Aggregate模式；GAT将Attention机制引入到了GCN当中；GeniePath尝试将GCN的层次做深。本次讨论将主要介绍semi-GCN之后的这些变体与它们之间的联系，以及当前GCN研究当中的问题与挑战。

Spotlight（突出点）：

semi-GCN之后的研究方向；
semi-GCN，GraphSAGE，GAT以及GeniePath之间的联系
当前GCN中的挑战

一个新的现场交流版块——论文共读。

在嘉宾的主题分享结束后，我们将邀请大家共同研读与本期主题相关的精选论文。五星论文将在活动现场进行重点讨论与交流，四星论文也会有所涉及。

由SFFAI13分享嘉宾王胤全同学和高扬同学精选出来的7篇有关图神经网络的论文,将让你了解图卷积神经网络的最新进展。你可以先仔细阅读（本公众号对话窗口回复“图神经网络”，获取精选论文下载链接），并带着问题来现场交流呦😊

🌟🌟🌟🌟🌟

推荐理由：提出了GCN的一种随机训练方法，克服了大规模图的GCN训练代价过高的缺点，极大减小了训练的空间复杂度。

🌟🌟🌟🌟🌟

推荐理由：首次将Attention机制引入了GCN中，在PPI数据集上取得了很好的效果提升。

🌟🌟🌟🌟

推荐理由：首次提出了neighborhood aggregate模式，模型适用于Inductive Learning，并且提出的模型适用于大图。

🌟🌟🌟🌟

推荐理由：克服了GCN随着层数增加效果变差的缺陷，层数增加到30层效果没有下降，同时模型可以应用到百万级别的数据集上。

🌟🌟🌟🌟

推荐理由：运用图卷积的思想提出了DCRNN来进行时间和空间上的交通流预测，并达到了很好的效果。

🌟🌟🌟🌟

推荐理由：指出了GCN层数无法加深的原因，并提出了co-training和self-training的方法提高了GCN的能力。

🌟🌟🌟🌟

推荐理由：改变了单纯使用多项式拟合卷积核的做法，自适应地找到一个task-driven的残差Laplacian来帮助优化卷积核。

抱歉，名额已满，请大家关注我们的公众号：人工智能前沿讲习班，关注后续活动内容。

您可以点击文章下方阅读原文查看我们前期的录制视频。

时间：

2018年12月16日（周日）

下午2:00 -- 4:00

地点：

中国科学院自动化研究所

报名方式

扫描二维码报名

活动名额

1. 为确保小范围深入交流，本次活动仅接受30 位用户入场（不收取任何费用）；

2. 活动采取审核制报名，我们将根据用户研究方向与当期主题的契合度进行筛选，通过审核的用户将收到确认邮件；

3. 如您无法按时到场参与活动，请于活动开始前 24 小时在AIDL微信公众号后台留言告知，留言格式为放弃报名 + 报名电话。无故缺席者，将不再享有后续活动的报名资格。

SFFAI招募

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。

SFFAI还将构建人工智能领域的知识树（AI Knowledge Tree），通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献。

这项意义非凡的社区工作正在稳步向前，衷心期待和感谢您的支持与奉献！