图深度学习：模型思想与代码实践

会员服务 ·

图深度学习：模型思想与代码实践

2021 年 12 月 23 日 图与推荐

图神经网络（Graph Neural Networks）是一种基于图结构的深度学习方法。它主要由两部分组成：图和神经网络

那我们为什么要学习图神经网络呢？

首先，图提供了数据的通用表示形式。来自各个领域的系统的数据可以直接表示为图，例如社交网络，交通运输网络、蛋白质-蛋白质相互作用网络、知识图谱和脑网络。

其次。许多其他类型的数据也可以转换为图的表示。比如，推荐节点的属性，检测异常节点等。

除此之外，传统的机器学习方法通常假设数据是独立同分布的，而图上的节点是自然相连的。深度学习就在表示学习上发挥了巨大的作用，将深度学习与图联系在一起，会带来更大的机遇。

但是目前国内外图神经网络的资料极为少，系统学习图深度学习的中文课程更是难得。对于想学习图神经网络的同学来说，可以说是无从下手。看完知乎、CSDN上的文章，直接让自己学劝退。

基于此，深蓝学院开设了《图深度学习：理论与实践》课程。本课程带大家学习和掌握图深度学习的基础理论与模型思想，并通过丰富的案例代码解读，让伙伴们实现将图深度学习应用到现实任务中。

讲师介绍

1.课程讲师

汤继良

密西根州立大学助理教授

此前曾担任雅虎研究院研究员，于2015年从亚利桑那州立大学取得博士学位。在图特征选择、图表征学习、图深度学习及它们在互联网和社交媒体上的应用方面做出了杰出贡献。曾获得SIGKDD新星奖(Rising Star Award)、Withrow杰出研究奖、美国自然科学基金杰出青年奖、IJCAI早期焦点人物演讲和包括KDD、WSDM等在内的7项领域知名会议的最佳（或提名）论文奖。博士论文获得SIGKDD最佳博士论文（KDD Best Dissertation）亚军和院长优秀博士论文奖(Dean's Dissertation Award)。

SIAM数据分析小组和ACM TKDD期刊的秘书长。经常担任数据挖掘顶级会议的组织者和顶级期刊的编委。研究成果发表在领域顶级的期刊和会议上，现已获得超过14000多次的引用（H-index为60）和媒体的广泛关注和报道。

马耀

密歇根州立大学博士

即将作为助理教授加入新泽西理工学院。密歇根州立大学杰出博士生奖及FAST Fellowship的获奖者，研究兴趣包括网络嵌入和图神经网络。论文多次发表在KDD、WWW、IJCAI、SIGIR和TKDE等数据挖掘顶级会议和期刊上。在众多知名会议（如ICML、KDD、AAAI和IJCAI等）及杂志（如TKDD、TKDE和TPAMI等）担任程序委员会委员以及审稿人。AAAI图神经网络和KDD图深度学习教学讲座的第一组织者和演讲者。

2.项目实践讲师

金卫

密歇根州立大学博士研究生

研究兴趣集中在图神经网络，包括理论基础、模型鲁棒性及应用。在KDD、AAAI、ICML、WSDM和WWW等计算机顶级会议上发表了多篇研究成果。他是备受业内关注的对抗攻击和防御工具包DeepRobust的主要贡献者。曾担任包括IJCAI和CIKM等国际知名会议的程序委员会委员。曾参加组织AAAI图深度学习专题教学讲座和KDD神经网络对抗攻击与防御专题教学讲座，并担任主要演讲者，获得了领域内外巨大关注和广泛好评。

课程大纲