【导读】本文为大家带来了一份斯坦福大学的最新课程CS224W——图机器学习,主讲人是斯坦福大牛Jure Leskovec,他是斯坦福大学计算机学院的副教授,也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。

**

**

近年来,图神经网络(GNN)成为网络表示学习和分析的热点研究问题,其特点是将以神经网络为代表深度学习技术用于网络结构的建模与计算。图神经网络能够考虑网络中的节点、边及其附带的标签、属性和文本等信息,能够更好地利用网络结构进行精细建模和深度推理,已经被广泛用于自然语言处理、社会网络分析、推荐系统等领域。**这个课程应该是近年来第一次全面总结图机器学习相关的课程,课程设置非常新颖也非常全面,包括近年来火热的图神经网络的局限和应用等等,课程全部的PPT 也已经放到网页上,**希望做这方面研究的童鞋多多学习!

原始链接:

http://web.stanford.edu/class/cs224w/

1 课程介绍

课程内容是什么?复杂数据可以表示为对象之间关系的图。这类网络是建模社会、技术和生物系统的基本工具。本课程侧重于分析大规模图时所面临的计算、算法和建模挑战。通过研究底层图结构及其特征,学生将学习适用于多种网络的机器学习技术和数据挖掘工具,以揭示其中的洞见。课程主题包括:表示学习和图神经网络(GNN);万维网算法;知识图推理;影响力最大化;疾病爆发检测,社交网络分析。

2 讲师介绍

**

**

Jurij Leskovec

主讲人是图网络领域的大牛Jure Leskovec,是斯坦福大学计算机学院的副教授,也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。在谷歌学术搜索(Google Scholar)上,Jure拥有接近14.5万的论文引用数量,H指数为142。

Leskovec的研究重点是对大型社会和信息网络进行分析和建模,以研究跨社会,技术和自然世界的现象。他专注于网络结构、网络演化、信息传播、影响和病毒在网络上的传播的统计建模。他所研究的问题是由大规模数据、网络和其他在线媒体引起的。他也致力于文本挖掘和机器学习的应用。

个人主页:https://cs.stanford.edu/~jure/

3 课程目录

**

**

**01:**图机器学习介绍(Introduction to Machine Learning for Graphs)

02:节点嵌入**(Node Embeddings)**

****03:图神经网络模型(Graph Neural Networks 1: GNN Model)

04: GNNs通用视角(A general perspective on GNNs)****

05:GNN增强与训练(GNN augmentation and training)****

06:图神经网络理论(Theory of Graph Neural Networks)

****07:异质图(Heterogenous graphs)

08:知识图谱(Knowledge Graph)****

****09:知识图谱推理(Reasoning over Knowledge Graphs)

****10:快速神经子图匹配( Fast neural subgraph matching)

11:图神经网络推荐(GNNs for recommenders)****

12:深度图生成式模型**(Deep Generative Models for Graphs)**

13:图神经网络高级主题**(Advanced Topics on GNNs)**

****14:图Transformers( Graph Transformers)

15:扩展图(Scaling to large graphs)****

**16:**几何深度学习( Geometric deep learning)

**17:**链接预测与因果性(Link Prediction and Causality)

18:算法推理与GNNs**(Algorithmic reasoning with GNNs)**

29:结论 Conclusion

4 课程材料预览

**

**

Graph Representation Learning by William L. Hamilton * Networks, Crowds, and Markets: Reasoning About a Highly Connected World by David Easley and Jon Kleinberg * Network Science by Albert-László Barabási

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“CS224” 可以获取**《斯坦福CS224W《图机器学习》2023秋季开课了!Jure Leskovec大牛主讲,系统性讲述GNNs理论,附课程PPT下载****》专知下载链接索引**

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5000+AI主题干货知识资料! 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专业干货知识教程资料和与专家交流咨询 点击“阅读原文”,了解使用专知****,查看获取5000+AI主题知识资源

成为VIP会员查看完整内容
0

相关内容

图机器学习(Machine Learning on Graphs)是一项重要且普遍存在的任务,其应用范围从药物设计到社交网络中的友情推荐。这个领域的主要挑战是找到一种表示或编码图结构的方法,以便机器学习模型能够轻松地利用它。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
中文课程!台大李宏毅机器学习公开课2019版上线
全球人工智能
14+阅读 · 2019年3月18日
手把手带你复现ICCV 2017经典论文—PyraNet
PaperWeekly
10+阅读 · 2018年11月9日
国家自然科学基金
13+阅读 · 2017年12月31日
国家自然科学基金
10+阅读 · 2017年12月31日
国家自然科学基金
5+阅读 · 2017年6月30日
国家自然科学基金
12+阅读 · 2016年12月31日
国家自然科学基金
4+阅读 · 2014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
Arxiv
149+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
380+阅读 · 2023年3月31日
Arxiv
133+阅读 · 2023年3月24日
Arxiv
19+阅读 · 2023年3月17日
VIP会员
相关VIP内容
相关基金
国家自然科学基金
13+阅读 · 2017年12月31日
国家自然科学基金
10+阅读 · 2017年12月31日
国家自然科学基金
5+阅读 · 2017年6月30日
国家自然科学基金
12+阅读 · 2016年12月31日
国家自然科学基金
4+阅读 · 2014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
微信扫码咨询专知VIP会员