加州伯克利博士：基于隐模型的图神经网络设计 | NeurIPS 2020论文分享

近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，由此出现了一个新的研究热点——“图神经网络（Graph Neural Networks，GNN）”。图神经网络在计算机视觉、基于图的推荐系统、交通路线规划、化学分子的图结构等等领域有着广泛的应用前景。但是现有的图神经网络发展也存在着诸多不足，仍需要这一领域的专家学者们进行深入探索。

本周六上午11点，我们特别邀请到远在加州大学伯克利分校的顾方达博士，作客AI研习社NeurIPS 2020系列论文解读直播间，为大家详细介绍他被收录的论文情况。嘉宾分享完还有问答环节，欢迎大家积极参与讨论，一起探讨《基于隐模型的图神经网络设计》。

分享主题：

《基于隐模型的图神经网络设计》

分享时间：

2020年12月5日（周六）11:00-12:00

分享嘉宾：

▲顾方达 

加州大学伯克利分校二年级博士生，导师Laurent El Ghaoui。主要研究方向为隐模型（Implicit Model），机器学习模型和优化方法。

分享背景

图神经网络从图结构中学习表征。但主流图神经网络模型采用有限步数的信息传递，这样得到的表征无法包含长程依赖关系。我们提出基于隐模型（Implicit model）的图神经网络框架，隐图神经网络（Implicit Graph Neural Networks）。框架通过解平衡方程获得图表征，进而学习长程依赖关系。隐图神经网络在很多图任务上取得了优秀的表现。

分享提纲

1.图神经网络背景和长程依赖关系；

2.隐图神经网络模型；

3.模型的适定问题和训练；

4.隐图神经网络的实验验。

论文地址

https://arxiv.org/abs/2009.0621

代码地址

SwiftieH/IGNN: Implicit Graph Neural Networks (github.com

直播间观看地址

AI研习社直播间：https://live.yanxishe.com/room/887

Bilibili直播间：http://live.bilibili.com/5612206

---

扫码添加小助手微信，回复【NIPS】进入NeurIPS2020论文交流群

点击“阅读全文”，进入直播间预约，避免错过精彩分享！