55页图深度学习导论《A Gentle Introduction to Deep Learning for Graphs》

【导读】图数据处理是一个长期存在的研究课题，近年来又被深度学习领域广泛关注。相关研究在数量和广度上飞速增长，但这也导致了知识系统化的缺失和对早期文献关注的缺失。《A Gentle Introduction to Deep Learning for Graphs》是图深度学习领域的教程导论，它倾向于对主流概念和架构的一致和渐进的介绍，而不是对最新文献的阐述。

教程在介绍概念和想法时采用了自上而下的方法并保留了清晰的历史观点，为此，导论在第2节中提供了图表示学习的泛化形式，将图表示学习泛化为一种基于局部和迭代的结构化信息处理过程。同时，介绍了架构路线图，整个导论也是围绕该路线图进行开展的。导论聚焦于面向局部和迭代的信息处理过程，因为这些过程与神经网络的体系更为一致。因此，导论会淡化那些基于图谱理论的全局方法（假设有一个固定的邻接矩阵）。

后续，导论介绍了可以用于组装构建新奇和有效图神经网络模型的基本构建单元。导论还对图深度学习中有意思的研究挑战和应用进行了阐述，同时介绍了相关的方法。导论的内容大致如下：

• 摘要

• 简介

• 高阶概览

• 数学符号

• 动机

• 路线图

• 局部关系和信息的迭代处理

• 三种上下文传播机制
  

• 构建块/单元

• 邻接聚合

• 池化

• 面向图嵌入的节点聚合

• 总结
  

• 任务

• 无监督学习

• 有监督学习

• 生成式学习

• 总结
  

• 其他方法和任务的总结

• 核

• 图谱方法

• 随机游走

• 图上的对抗训练和攻击

• 图序列生成模型
  

• 开放挑战和研究方法

• 时间进化图

• 偏置方差权衡

• 边信息的明智用法

• 超图学习
  

• 应用

• 化学和药物设计

• 社交网络

• 自然语言处理

• 安全

• 时空预测

• 推荐系统

• 总结

完整PPT下载

请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“GIDLG” 就可以获取完整教程PDF的下载链接~ 

导论部分截图如下所示：

参考链接：

• https://arxiv.org/pdf/1912.12693.pdf

-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！欢迎注册登录专知www.zhuanzhi.ai，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），获取专知VIP会员码，加入专知人工智能主题群，咨询技术商务合作~

点击“阅读原文”，了解注册使用专知