本教程介绍在图神经网络(GNN)中使用的概念。GNN是建模数据的有用方法,这些数据被构造成图形或包含不同实体之间的有用关系。这些方法已成功应用于交通预测、分子建模、社会网络分析、视觉场景理解等多个领域。

教程将集中在介绍概念和展示基本方法,同时也呈现一些有趣的联系和应用。

这两个讲座是Bitdefender在布加勒斯特大学教授的深度学习课程的一部分。演讲将是虚拟在线的,对任何人开放,并要求基本的ML知识。

成为VIP会员查看完整内容
0
55

相关内容

【导论】麻省理工学院最近开设一门深度学习课程MIT 6.S191,共包含十大主题课程,涵盖深度学习导论、序列建模、深度视觉、生成模型、强化学习、图神经网络、对抗学习、贝叶斯模型、神经渲染、机器学习嗅觉等,图文并茂,涵盖最新的前沿内容,非常值得学习!最新一讲是深度学习局限性。

课程地址:

http://introtodeeplearning.com/

课程介绍:

麻省理工学院的深度学习方法的导论课程,应用到计算机视觉,自然语言处理,生物学,和更多! 学生将获得深度学习算法的基础知识和在TensorFlow中构建神经网络的实践经验。先修习微积分(即求导数)和线性代数(即矩阵乘法),我们将在学习过程中尝试解释其它内容! Python方面的经验是有帮助的,但不是必需的。欢迎听众!

成为VIP会员查看完整内容
0
27

【导论】麻省理工学院最近开设一门深度学习课程MIT 6.S191,共包含十大主题课程,涵盖深度学习导论、序列建模、深度视觉、生成模型、强化学习、图神经网络、对抗学习、贝叶斯模型、神经渲染、机器学习嗅觉等,图文并茂,涵盖最新的前沿内容,非常值得学习!最新一讲是深度生成式建模。

成为VIP会员查看完整内容
0
22

图神经网络教程 Graph Convolutional Networks Graph Sampling Methods Application and PyTorch Implementation

成为VIP会员查看完整内容
0
67

这个网络研讨会介绍了数据科学的基础知识,并简要回顾了一些统计的基本概念。它还概述了如何拥有一个成功的数据科学项目。

成为VIP会员查看完整内容
0
26

题目: Introduction to Graph Neural Networks

简介:

在复杂的实际应用中,图是有用的数据结构,例如对物理系统进行建模,学习分子指纹,控制交通网络以及在社交网络中推荐朋友。但是,这些任务需要处理包含元素之间的丰富关系信息且无法通过传统深度学习模型(例如卷积神经网络(CNN)或递归神经网络(RNN))妥善处理的非欧氏图数据。图中的节点通常包含有用的特征信息,这些信息在大多数无监督的表示学习方法(例如,网络嵌入方法)中无法很好地解决。提出了图神经网络(GNN)来结合特征信息和图结构,以通过特征传播和聚集学习更好的图表示。由于其令人信服的性能和高解释性,GNN最近已成为一种广泛应用的图形分析工具。本书全面介绍了图神经网络的基本概念,模型和应用。首先介绍了香草GNN模型。然后介绍了vanil la模型的几种变体,例如图卷积网络,图递归网络,图注意力网络,图残差网络和一些通用框架。还包括不同图类型的变体和高级训练方法。对于GNN的应用,该书将min分为结构,非结构和其他场景,然后介绍了解决这些任务的几种典型模型。最后,最后几章提供了GNN的开放资源以及一些未来方向的展望。

深度学习在许多领域都取得了可喜的进展,例如计算机视觉和自然语言处理。这些任务中的数据通常以欧几里得表示。但是,许多学习任务需要处理包含元素之间丰富的关系信息的非欧氏图数据,例如建模物理系统,学习分子指纹,预测蛋白质界面等。图神经网络(GNN)是基于深度学习的方法,在图域上运行。由于其令人信服的性能和高解释性,GNN最近已成为一种广泛应用的图形分析方法。本书全面介绍了图神经网络的基本概念,模型和应用。它从数学模型和神经网络的基础开始。在第一章中,它对GNN的基本概念进行了介绍,目的是为读者提供一个概览。然后介绍了GNN的不同变体:图卷积网络,图递归网络,图注意力网络,图残差网络和一些通用框架。这些最差的结果是将通用的深度学习技术转化为图形,例如卷积神经网络,递归神经网络,注意力机制和跳过连接。此外,这本书介绍了GNN在结构场景(物理,化学,知识图谱),非结构场景(图像,文本)和其他场景(生成模型,组合优化)中的不同应用。最后,这本书列出了相关的数据集,开源平台和GNN的实现。本书组织如下。在第1章中进行了概述之后,在第2章中介绍了数学和图论的一些基本知识。在第3章中介绍了神经网络的基础,然后在第4章中简要介绍了香草GNN。四种类型的模型分别在第5、6、7和8章中介绍。在第9章和第10章中介绍了不同图类型和高级训练方法的其他变体。然后在第11章中提出了几种通用的GNN框架。第12、13和14章介绍了GNN在结构场景,非结构场景和其他场景中的应用。最后,我们在第15章提供了一些开放资源,并在第16章总结了这本书。

成为VIP会员查看完整内容
Introduction to Graph Neural Networks.pdf
0
148

芬兰阿尔托大学CSE4890深度学习课程第7讲:图神经网络,由Alexander Ilin主讲,全面详细地介绍了GNN的背景动机、GCN、循环关系网络、通用网络。

成为VIP会员查看完整内容
0
135

【导读】新加坡国立大学的Xiang Wang、Tat-Seng Chua,以及来自中国科学技术大学的Xiangnan He在WSDM 2020会议上通过教程《Learning and Reasoning on Graph for Recommendation》介绍了基于图学习和推理的推荐系统,涵盖了基于随机游走的推荐系统、基于网络嵌入的推荐系统,基于图神经网络的推荐系统等内容。

Tutorial摘要:

推荐方法构建预测模型来估计用户-项目交互的可能性。之前的模型在很大程度上遵循了一种通用的监督学习范式——将每个交互视为一个单独的数据实例,并基于“信息孤岛”进行预测。但是,这些方法忽略了数据实例之间的关系,这可能导致性能不佳,特别是在稀疏场景中。此外,建立在单独数据实例上的模型很难展示推荐背后的原因,这使得推荐过程难以理解。

在本教程中,我们将从图学习的角度重新讨论推荐问题。用于推荐的公共数据源可以组织成图,例如用户-项目交互(二部图)、社交网络、项目知识图(异构图)等。这种基于图的组织将孤立的数据实例连接起来,为开发高阶连接带来了好处,这些连接为协作过滤、基于内容的过滤、社会影响建模和知识感知推理编码有意义的模式。随着最近图形神经网络(GNNs)的成功,基于图形的模型显示了成为下一代推荐系统技术的潜力。本教程对基于图的推荐学习方法进行了回顾,重点介绍了GNNs的最新发展和先进的推荐知识。通过在教程中介绍这一新兴而有前景的领域,我们希望观众能够对空间有更深刻的理解和准确的洞察,激发更多的想法和讨论,促进技术的发展。

Tutorial大纲:

成为VIP会员查看完整内容
0
155

简介: 图是表示知识的有效方法。它们可以在一个统一的结构中表示不同类型的知识。生物科学和金融等领域已经开始积累大量的知识图,但是它们缺乏从中提取见解的机器学习工具。

David Mack概述了自己相关想法并调查了最流行的方法。在此过程中,他指出了积极研究的领域,并共享在线资源和参考书目以供进一步研究。

作者介绍: David Mack是Octavian.ai的创始人和机器学习工程师,致力于探索图机器学习的新方法。在此之前,他与他人共同创立了SketchDeck,这是一家由Y Combinator支持的初创公司,提供设计即服务。他拥有牛津大学的数学硕士学位和计算机科学的基础,并拥有剑桥大学的计算机科学学士学位。

内容介绍: 本次报告涵盖内容:为什么将图应用在机器学习上;图机器学习的不同方法。现存的图机器学习往往会忽略数据中的上下文信息,使用图可以获取更多的潜在信息。图的构建方法为节点分类、边的预测,图的分类以及边的分类。两个主要方法是使用机器学习算法将图转换为table,另一种方法是将图转换为网络。在报告中作者详细介绍了这两种方法。

成为VIP会员查看完整内容
2019-09 Introduction to graphs and machine learning @ Strata.pdf
2
331
小贴士
相关主题
相关论文
Jiong Zhu,Ryan A. Rossi,Anup Rao,Tung Mai,Nedim Lipka,Nesreen K. Ahmed,Danai Koutra
1+阅读 · 6月14日
Junteng Jia,Cenk Baykal,Vamsi K. Potluru,Austin R. Benson
0+阅读 · 6月6日
Tong Zhao,Yozen Liu,Leonardo Neves,Oliver Woodford,Meng Jiang,Neil Shah
24+阅读 · 2020年12月2日
Simone Scardapane,Indro Spinelli,Paolo Di Lorenzo
15+阅读 · 2020年7月13日
Emily Alsentzer,Samuel G. Finlayson,Michelle M. Li,Marinka Zitnik
18+阅读 · 2020年6月19日
Pointer Graph Networks
Petar Veličković,Lars Buesing,Matthew C. Overlan,Razvan Pascanu,Oriol Vinyals,Charles Blundell
5+阅读 · 2020年6月11日
Geometric Graph Convolutional Neural Networks
Przemysław Spurek,Tomasz Danel,Jacek Tabor,Marek Śmieja,Łukasz Struski,Agnieszka Słowik,Łukasz Maziarka
7+阅读 · 2019年9月11日
Yao Ma,Ziyi Guo,Zhaochun Ren,Eric Zhao,Jiliang Tang,Dawei Yin
15+阅读 · 2018年10月24日
Muhan Zhang,Yixin Chen
23+阅读 · 2018年2月27日
Petar Veličković,Guillem Cucurull,Arantxa Casanova,Adriana Romero,Pietro Liò,Yoshua Bengio
6+阅读 · 2018年2月4日
Top