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。
相关内容
微信扫码咨询专知VIP会员