近年来,图神经网络(GNN)领域取得了令人难以置信的快速发展。图神经网络,也被称为图深度学习、图表示学习或几何深度学习,已经成为机器学习,尤其是深度学习中发展最快的研究课题之一。图论和深度学习交叉的这波研究浪潮也影响了其他科学领域,包括推荐系统、计算机视觉、自然语言处理、归纳逻辑编程、程序合成、软件挖掘、自动化规划、网络安全和智能交通。然而,随着该领域的迅速发展,获取全球范围内GNN发展的视角是极具挑战性的。因此,我们迫切需要弥合上述差距,并就这一快速增长但具有挑战性的主题提供全面的教程。
本教程将通过回顾和介绍图神经网络的基本概念和算法、图神经网络的新研究前沿以及图神经网络的广泛和新兴应用,涵盖图神经网络中广泛的主题。此外,通过我们最近出版的《图神经网络(GNN):基础、前沿和应用》一书,丰富的教程材料将包括和介绍,以帮助读者获得系统的理解,这是GNN研究人员和实践者阅读和学习的最全面的书籍之一。
Opening Remark (10 mins)
图神经网络基础 Foundations of Graph Neural Networks (50 mins)
Graph Neural Networks for Node Classification
The Express Power of Graph Neural Networks
The Interpretability of Graph Neural Networks
图神经网络前沿 Frontiers of Graph Neural Networks (50 mins)
Graph Generation and Transformation
Dynamic Graph Neural Networks
Graph Matching
Graph Structure Learning
应用 Broad and Emerging Applications (50 mins)
GNNs in Predicting Protein Function and Interactions
GNNs in Graph Neural Networks in Program Analysis
GNNs in Natural Language Processing
结论 Conclusion (10 mins)
图神经网络书籍
近年来,图神经网络(GNN)领域取得了快速和令人难以置信的进展。图神经网络,又称图深度学习、图表示学习或几何深度学习,已成为机器学习特别是深度学习领域发展最快的研究课题之一。这波图论和深度学习交叉的研究浪潮也影响了其他科学领域,包括推荐系统、计算机视觉、自然语言处理、归纳逻辑编程、程序合成、软件挖掘、自动规划、网络安全和智能交通。
尽管图神经网络已经获得了极大的关注,但在将其应用到其他领域时,它仍然面临着许多挑战,从方法的理论理解到实际系统中的可扩展性和可解释性,从方法的可靠性到应用中的经验性能。然而,随着该领域的迅速发展,获得全球视野的gnn的发展已成为一项极具挑战性的工作。
因此,我们感到迫切需要弥补上述差距,并就这一快速发展但具有挑战性的主题出版一本全面的书,它可以造福广泛的读者,包括高级本科生和研究生、博士后研究人员、讲师和行业从业者。
这本书旨在涵盖图神经网络中广泛的主题,从基础到前沿,并从方法到应用。本书致力于介绍GNNs的基本概念和算法,GNNs的新研究前沿,以及GNNs的广泛和新兴应用。
书籍地址:
https://graph-neural-networks.github.io/index.html
领域大牛推荐
“第一本全面涵盖一个快速发展的研究领域——图神经网络(GNN)的书,由权威作者撰写!”
韩家炜 - 美国伊利诺伊大学香槟分校计算机系教授,IEEE和ACM院士
这本书提出了一个全面和及时的图表示学习综述。由这一领域最好的专家编辑撰写,这本书是想学习任何关于图神经网络的学生,研究人员和实践者的必读作品。”
沈向洋-计算机视觉和图形学研究的世界级专家,IEEE Fellow,ACM Fellow)美国工程院院士,英国皇家工程科学院的国际院士
“作为深度学习的新前沿,图神经网络在结合概率学习和符号推理、连接知识驱动和数据驱动范式、开启第三代人工智能发展方面提供了巨大的潜力。这本书提供了全面和深刻的GNN介绍,从基础到前沿,从算法到应用。对于任何想要进入这一令人兴奋的领域的科学家、工程师和学生来说,这都是宝贵的资源。”
张钹 - 中国科学院院士,清华大学教授
“图神经网络是机器学习最热门的领域之一,这本书是一个很棒的深度资源,涵盖了图表示学习的广泛主题和应用。”
Jure Leskovec -斯坦福大学副教授
图神经网络是一种新兴的机器学习模型,已经在科学和工业领域掀起了一场风暴。是时候采取行动了!它的章节都是由该领域的许多专家精心撰写的。”
Petar Velickovic - DeepMind 高级研究科学家
目录内容:
本书主要分为3部分: Introduction, Foundations of Graph Neural Networks, 和 Frontiers of Graph Neural Networks.
第 1 章 表示学习
第 2 章 图表示学习
第 3 章 图神经网络
第 4 章 用于节点分类的图神经网络
第 5 章 图神经网络的表达能力
第 6 章 图神经网络:可扩展性
第 7 章 图神经网络中的可解释性
第 8 章 图神经网络:对抗鲁棒性
第 9 章 图神经网络:图分类
第 10 章 图神经网络:链接预测
第 11 章 图神经网络:图生成
第 12 章 图神经网络:图变换
第 13 章 图神经网络:图匹配
第 14 章 图神经网络:图结构学习
第 15 章 动态图神经网络
第 16 章 异构图神经网络
第 17 章 图神经网络:AutoML
第 18 章 图神经网络:自监督学习
第 19 章 现代推荐系统中的图神经网络
第 20 章 计算机视觉中的图神经网络
第 21 章 自然语言处理中的图神经网络
第 22 章 程序分析中的图神经网络
第 23 章 软件挖掘中的图神经网络
第 24 章 药物开发中基于 GNN 的生物医学知识图谱挖掘
第 25 章 预测蛋白质功能和相互作用的图神经网络
第 26 章 异常检测中的图神经网络
第 27 章 城市智能中的图神经网络
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“GNN214” 就可以获取《「图神经网络:基础、前沿与应用」最新KDD2022教程,214页ppt全面阐述GNN最新进展》专知下载链接