来自 新智元
编辑:肖琴
斯坦福大学教授 Jure Leskovec 是图网络领域的专家,图表示学习方法 node2vec 和 GraphSAGE 作者之一。
Jure Leskovec
在今年 ICLR,Jure Leskovec 教授及斯坦福、MIT 的多名研究者发表论文 How Powerful Are Graph Neural Networks?(https://cs.stanford.edu/people/jure/pubs/gin-iclr19.pdf),详细阐述了图神经网络背后的原理和其强大的表征能力,认为图神经网络在因果推理方面有巨大的潜力,有望成为 AI 的下一个拐点。
参考阅读:
图神经网络将成 AI 下一拐点!MIT 斯坦福一文综述 GNN 到底有多强
此外,在 ICLR 受邀演讲上,Jure Leskovec 教授还就图深度生成模型做了演讲。在这次演讲中,Jure 阐述了图生成模型的方法和应用,并详细介绍了他的最新成果,GraphRNN 和 Graph Convolutional Policy Network。
本文带来该演讲的 PPT。
下载链接 (或点击阅读原文下载):
http://i.stanford.edu/~jure/pub/talks2/graph_gen-iclr-may19-long.pdf
主要内容:
为什么图网络很重要?
为什么图网络很重要?
图生成任务
任务 1:生成逼真的图
任务 2:目标导向的图生成
关键的见解
通过顺序添加节点 / 边来生成图
好处:
GraphRNN:RNN 的两个层次
GraphRNN:RNN 的两个层次
目标:将模型图生成作为序列生成
需要对两个流程建模:
图卷积策略网络
图卷积策略网络:目标导向的图生成 (GCPN)
将图表示 + RL 结合起来
总结
显式:中间生成图,用 GCN 解码
隐式:向量表示,RNN 解码
模仿一组给定的图
按照既定目标优化图
zenRRan:
我最近有个想法,想通过留言打卡的方式,来督促大家每天学习一丢丢,每天进步一丢丢!留言内容为:【day n】今天我学到了什么或者今天打算学什么。(至少10个字,越详细越好)奖励的方式暂定为打卡够50次送书!大家怎么看?可以留言告诉我!
这种方式类似于简短的日志!因为我们实验室之前一直都是写日志的(对不是周志是日志),效果还是很不错的,一天不逼着自己干点正事,晚上都不知道写点啥。这种倒逼的学习方式,我感觉还不错!