【经典回顾-Thomas Kipf报告】图神经网络无监督学习，32页ppt，Universiteit van Amsterdam

我们世界的许多方面都可以用相互作用的部分组成的系统来理解，从物理中的多对象系统到复杂的社会动力学。让模型了解这种组合结构对于泛化和数据高效学习非常重要。这就产生了一类称为图神经网络(GNNs)的模型。在这次演讲中，我将重点介绍一些最近出现的用于无监督图表示学习的GNN变体，并介绍我们如何有效地使用GNN来发现交互系统中的关系(Kipf等，ICML 2018)。基于图的神经关系推理(NRI)模型只从观测数据中学习推断潜在的相互作用，并对相互作用系统的动力学进行建模。示例应用程序包括多对象物理系统建模、运动捕获数据和多代理运动跟踪数据，其中NRI可以以非监督的方式恢复可解释的交互结构，并预测未来许多时间步长的复杂动态。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“GNN32” 就可以获取《图神经网络无监督学习，32页ppt，Universiteit van Amsterdam》专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源