图结构数据在现实生活中无处不在,它出现在许多学习应用中,如分子图的属性预测、异构信息网络的产品推荐和知识图的逻辑查询。近年来,从图结构数据中学习也成为机器学习领域的一个研究热点。然而,同样由于GSD中的这种多样性,没有一个通用的学习模型能够基于图在不同的学习应用程序中表现良好和一致。与此形成鲜明对比的是,卷积神经网络在自然图像上工作得很好,而Transformers 是文本数据的好选择。在本教程中,我们将讨论如何使用自动机器学习(AutoML)作为一个工具来为GSD设计学习模型。具体来说,我们将详细说明什么是AutoML, AutoML可以从图中探索什么样的先验信息,以及如何从搜索的模型中生成洞察力。

成为VIP会员查看完整内容
23

相关内容

专知会员服务
65+阅读 · 2021年5月25日
【XAUTOML】可解释自动机器学习,27页ppt
专知会员服务
42+阅读 · 2021年4月23日
【AAAI2021 Tutorial】工业界负责任的人工智能,262页ppt
专知会员服务
91+阅读 · 2021年2月7日
【NLPCC教程】图神经网络与网络嵌入前沿进展,142页ppt
专知会员服务
58+阅读 · 2020年10月19日
专知会员服务
119+阅读 · 2020年8月24日
「图神经网络东」最新2022综述
专知
3+阅读 · 1月9日
【XAUTOML】可解释自动机器学习,27页ppt
专知
3+阅读 · 2021年4月23日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
15+阅读 · 2020年12月23日
Arxiv
83+阅读 · 2020年3月4日
VIP会员
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员