硬核 | 谈一谈逆势而上的图神经网络技术（附干货资料）

发布日期: 2020-12-14

问一问近几年来逆势而上的技术有什么？相信你一定会说出来一个：图神经网络。

没错，图神经网络就像曾经的微信, python, pytorch, 他们从我们视线的边缘逐渐走向我们视野的中心，并成为很多人的首选。图神经网络目前还没有完全成为各大顶会的焦点，但不可否认，它将会。相信在后面的研究中，图神经网络在人工智能领域会起着举足轻重的作用，2017年你没有关注到图神经网络，那么2020年了就不要错过了。相对于一般的神经网络，图神经网络能够解决更多更有效的问题，图神经网络也可以与自然语言处理，计算机视觉，强化学习，甚至是最基本的缺失值补全这样的机器学习任务结合（见NeurIPS‘20’ Jiaxuan You et.al），简单的说GNN有下面的特点：

图神经网络能够实现强大的非结构学习的能力：GNN能够从非结构化数据（例如:场景图片、故事片段等）中进行学习和推理。尽管传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意。
图神经网络可以学习时序以及非时序排序的特征学习：GNN的输出不以节点的输入顺序为转移的。在时空领域的建模，我们既可以关注无先后顺序的空间拓扑结构，也可以建模有顺序的时间维度，多一维度的信息，多一份决策的能力；
图神经网络可以解决两个节点之间依赖关系的学习：传统的神经网络中，这种依赖关系只能通过节点的特征来体现。图嵌入通过保留图的网络拓扑结构和节点内容信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法（例如，支持向量机分类）进行处理。

图神经网络在社交网络、广告推荐、搜索推荐、药物生成、智能体交互、高能物理学到社会科学和经济学等领域的复杂关系建模和互动系统构建起到重要作用。今天，我要给大家介绍一个长期关注图神经网络，干货满满的公众号，深度学习与图网络。

它是由来自中国科学院大学，香港中文大学，上海交通大学等几位科研一线的在读博士研究生生科研之余写的（其中一位同学主要负责，非学校官方账号，科研兴趣），主要关注图神经网络，以及深度学习，机器学习相关内容。该公众号的主要目的是关注图神经网络，机器学习的最新研究进展和动态，偶尔尝试解读一些有意思的研究工作，但水平有限，欢迎来批评指正。在研究方向上，公众号关注以下几个方面：

图与自然语言处理
图与计算机视觉
图与智慧交通
图与推荐
图优化与解决过平滑问题
图上节点分类
图池化与分类以及分子图生成
动态图,时空图嵌入

在研究动态上：公众号关注NeurIPS, ICML, KDD， CVPR等会议论文，TPAMI, TNNLS, TKDE, TKDD等期刊论文，以及关注Arxiv上与图网络相关的研究动态，同时关注GitHub上关于GNN 库.

如果你也是上面研究方向的同学，欢迎关注与收藏，据了解该公众号已组建多个图网络学习群，同时也组织了多次线上的图论文研讨活动，以及CS224W课程学习的活动。目前正在进行的是IJCAI2020图论文打卡活动，后期会进行KDD2020，NeurIPS2020图论文打卡活动，如果你也有兴趣，欢迎关注一波，后期会在公众号发布相关的信息。

如果你还没有入门，不用着急，站在他人的肩膀上，你会看的轻松一点，欢迎参考从下面的学习路线

1 Tutorial教程合集（入门必读）