AAAI2020最新「图神经网络GNN模型与应用」305页ppt教程，密歇根州立大学

2020 年 2 月 8 日 专知

【导读】2020 年 2 月 7 日-2 月 12 日，AAAI 2020 于美国纽约举办。不久之前，大会官方公布了今年的论文收录信息：收到 8800 篇提交论文，评审了 7737 篇，接收 1591 篇，接收率 20.6%。虽然很多同学老师因为疫情不能到现场，但我们一样可以居家远程学习。来自密歇根州立大学的YaoMa, Wei Jin, andJiliang Tang和IBM研究Lingfei Wu与 Tengfei Ma在AAAI2020做了关于图神经网络的Tutorial报告，总共305页ppt，涵盖使用GNNs对图结构数据的表示学习、GNNs的健壮性、GNNs的可伸缩性以及基于GNNs的应用，非常值得学习。

摘要

图结构数据如社交网络和分子图在现实世界中无处不在。设计先进的图数据表示学习算法以方便后续任务的实现，具有重要的研究意义。图神经网络(GNNs)将深度神经网络模型推广到图结构数据，为从节点层或图层有效学习图结构数据的表示开辟了新的途径。由于其强大的表示学习能力，GNNs在从推荐、自然语言处理到医疗保健的各种应用中都具有实际意义。它已经成为一个热门的研究课题，近年来越来越受到机器学习和数据挖掘界的关注。这篇关于GNNs的教程对于AAAI 2020来说是非常及时的，涵盖了相关的和有趣的主题，包括使用GNNs对图结构数据的表示学习、GNNs的健壮性、GNNs的可伸缩性以及基于GNNs的应用。

地址：

http://cse.msu.edu/~mayao4/tutorials/aaai2020/

目录：

引言 Introduction

图与图结构数据 Graphs and Graph Structured Data
图结构数据任务 Tasks on Graph Structured Data
图神经网络 Graph neural networks

基础理论Foundations

Basic Graph Theory
Graph Fourier Transform

模型 Models

Spectral-based GNN layers
Spatial-based GNN layers
Pooling Schemes for Graph-level Representation Learning
Graph Neural Networks Based Encoder-Decoder models
Scalable Learning for Graph Neural Networks
Attacks and Robustness of Graph Neural Networks

应用 Applications

Natural Language Processing
Recommendation
Healthcare

报告学者

Yao Ma是密歇根州立大学计算机科学与工程专业的博士生。他还在数据科学与工程实验室(DSE实验室)担任研究助理，该实验室由Tang Jiliang博士领导。他的研究兴趣包括网络嵌入和图神经网络在图结构数据上的表示学习。曾在WSDM、ASONAM、ICDM、SDM、WWW、KDD、IJCAI等顶级会议上发表创新工作。在加入密歇根州立大学之前，他在Eindhoven理工大学获得硕士学位，在浙江大学获得学士学位。

http://cse.msu.edu/~mayao4/

Wei Jin是密歇根州立大学计算机科学与工程专业的一年级博士生，导师是Tang Jiliang博士。他的兴趣在于图表示学习。现从事图神经网络的理论基础、模型鲁棒性和应用研究。

https://chandlerbang.github.io/

Jiliang Tang 自2016年秋季以来一直是密歇根州立大学计算机科学与工程系的助理教授。在此之前，他是雅虎研究院的一名研究科学家，2015年在亚利桑那州立大学获得博士学位。他的研究兴趣包括社会计算、数据挖掘和机器学习，以及它们在教育中的应用。他是2019年NSF Career奖、2015年KDD最佳论文亚军和6个最佳论文奖(或亚军)的获得者，包括WSDM2018和KDD2016。他担任会议组织者(如KDD、WSDM和SDM)和期刊编辑(如TKDD)。他在高排名的期刊和顶级会议上发表多项研究成果，获得了成千上万的引用和广泛的媒体报道。