斯坦福Jure Leskovec图深度生成模型:GraphRNN和GraphCPN(附PPT下载)

【导读】在大洋彼岸的新奥尔良,正在举行一年一度的机器学习顶会:ICLR 2019。今年,ICLR19共收到了1578篇投稿,较去年增长60%。当前,图表示学习也非常火热,在ICLR2019的《Representation Learning on Graphs and Manifolds》Workshop上,斯坦福大学的教授Jure Leskovec详细介绍了他的最新成果,GraphRNN和Graph Convolutional Policy Network。


现实生活中的很多关系都是通过图的形式来表达的,针对图结构数据的分析的一个关键问题就是如何合理的表示图结构的低维特征表示,也即是图表示学习。Jure Leskovec是图表示学习方法node2vec和GraphSAGE作者之一,在这次演讲中他详细讲解了GraphRNN和Graph Convolutional Policy Network的图表示学习。


相关论文和代码




  • 论文



  • node2vec: Scalable Feature Learning for Networks. A. Grover, J. Leskovec. KDD 2016.

  • Predicting multicellular function through multi-layer tissue networks. M. Zitnik, J. Leskovec. Bioinformatics, 2017.

  • Inductive Representation Learning on Large Graphs.

    W. Hamilton, R. Ying, J. Leskovec. NIPS 2017

  • Representation Learning on Graphs: Methods and Applications. W. Hamilton, R. Ying, J. Leskovec. IEEE Data Engineering Bulletin, 2017.

  • GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Models, ICML, 2018.(GraphRNN:通过深度自回归模型生成与真实情况相近的图)」:使用图的序列表示生成模型,然后在上面应用RNN(循环神经网络)模型。

  • Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation. NeurIPS, 2018.

  • 代码



  • GraphRNN:

    • https://github.com/snap-stanford/GraphRNN

  • Graph Convolutional Policy Network

    • https://github.com/bowenliu16/rl_graph_generation

 

请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知),

  • 后台回复“ICLRGRL2019” 就可以获取最新PPT 下载链接


参考链接:

https://cs.stanford.edu/people/jure/index.html


PPT



 

这是报告的PPT内容:

-END-

专 · 知

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI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专业干货知识教程视频资料和与专家交流咨询!

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成!530+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

展开全文
Top
微信扫码咨询专知VIP会员