斯坦福出品，GNN在金融/医学/NLP中的应用

图作为一种抽象形式出现，用来表示复杂的数据，如社会网络、知识图谱、分子图、生物医学网络，以及用于建模3D对象、流形和源代码。图的机器学习，尤其是深度表示学习，是一个新兴的领域，从蛋白质折叠和欺诈检测到药物发现和推荐系统，有着广泛的应用。

在斯坦福图学习研讨会上，我们将汇集学术界和工业界的领袖，展示图神经网络最近的方法论进展。研讨会将展示领先的图机器学习框架和广泛的图机器学习在不同领域的应用。此外，研讨会将讨论大规模训练和部署基于图的机器学习模型的实际挑战。

目录内容：

• 0:44:42 Jure Leskovec, Stanford -- Welcome and Overview of Graph Representation Learning 图表示学习
• 1:12:19 Matthias Fey, TU Dortmund -- PyG 2.0: Advanced Representation Learning on Graphs 高级图表示学习
• 2:29:42 Industry panel - Andrew Zhai, Pinterest; Jaewon Yang, LinkedIn; Benedek Rozemberczki, AstraZeneca; Hatem Helal, Graphcore; Nadia Fawaz, Pinterest (moderator)
• 4:43:49 Jan Eric Lenssen, TU Dortmund -- Applications to Graphics and Vision
• 5:03:51 Rex Ying, Stanford -- Applications to Fraud and Intrusion Detection
• 5:25:50 Jiaxuan You, Stanford -- Applications to Financial Networks 图学习在金融神经网络应用
• 5:44:44 Hongyu Ren, Stanford -- Application to Knowledge Graphs 6:04:20 Antoine Bosselut, Stanford -- Applications in Natural Language Processing 自然语言处理应用
• 6:27:20 Maria Brbic, Stanford -- Applications in Biomedicine 生物医学应用
• 7:15:25 Jiaxuan You, Stanford -- GraphGym: Easy-to-use API for Graph Learning
• 7:35:20 Weihua Hu, Stanford -- Open Graph Benchmark: Large-Scale Challenge
• 7:59:13 Industry panel - Kim Branson, GlaxoSmithKline; Marinka Zitnik, Harvard University; Naren Chittar, JP Morgan Chase; Yu Liu, Facebook AI; Hema Raghavan, LinkedIn (moderator)

PPT在下面的群文件里：