斯坦福大牛Jure Leskovec在清华演讲PPT关于图神经网络研究最新进展
Jure Leskovec是何许人也?
斯坦福大学计算机学院的副教授,也是graph2vec和GraphSAGE的作者之一.
在Google Scholar上,Jure有近45000篇论文被引用,H指数为84。这是什么意思?
在美国,研究型大学必须获得永久教授职位。H指数一般为10到12,晋升教授的人数约为18人。成为美国科学院院士一般在45岁以上,中位数为57。Jure 84的H指数意味着他在人工智能研究领域具有举足轻重的地位。
近年来,图形神经网络(GNN)在深度学习领域的研究日益活跃。图形网络已成为2019年深度学习峰会的研究热点。GNN在处理非结构化数据方面的卓越能力,使其在网络数据分析、推荐系统、物理建模、自然语言处理和图形组合优化等方面取得了新的突破。然而,大多数的图网络框架都是基于研究者的先验知识或启发性知识,缺乏明确的理论支持。
在Jure Leskovec团队的杰作ICLR2019中,图形神经网络有多强大?提出了一个基于WL图同构测试的理论框架,为许多GNN框架提供了一个很好的理论分析,并提出了一个简单而强大的图网络框架GIN(graph isomorphism Networks),验证了GIN在图分类中的作用。出色的工作表现。本文认为,图神经网络在因果推理中具有很大的潜力,有望成为人工智能的下一个拐点。
Jure在演讲中提到,图形领域的机器学习是一项重要而普遍的任务,从药物设计到社交网络中友好的推荐。这个领域的主要挑战是找到一种表示或编码图形结构的方法,以便机器学习模型可以很容易地使用它。
他介绍了图形神经网络研究的最新进展,它使用基于深度学习的技术自动学习将图形结构编码为低维嵌入。他还介绍了图形表示学习的关键发展,包括图形卷积网络及其表示能力,并探讨了它们在web级推荐系统、医疗保健、知识表示和推理中的应用。
下面是大牛2019年最新发表的期刊:
- To Embed or Not: Network Embedding as a Paradigm in Computational Biology. Frontiers in Genetics, 2019.
- Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks. KDD, 2019.
- Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems. KDD, 2019.
- Position-aware Graph Neural Networks. ICML, 2019.
- How Powerful Are Graph Neural Networks?. ICLR, 2019.
- Evolution of resilience in protein interactomes across the tree of life. PNAS, 2019.
- Complete the Look: Scene-based Complementary Product Recommendation. CVPR, 2019.
- Faithful and Customizable Explanations of Black Box Models. AIES, 2019.
- Goal-setting And Achievement In Activity Tracking Apps: A Case Study Of MyFitnessPal. WWW, 2019.
- Hierarchical Temporal Convolutional Networks for Dynamic Recommender Systems. WWW, 2019.
- Predicting pregnancy using large-scale data from a women’s health tracking mobile application.WWW, 2019.
- Inferring Multidimensional Rates of Aging from Cross-Sectional Data. AISTATS, 2019.
- The Local Closure Coefficient: A New Perspective On Network Clustering. WSDM, 2019.
下面是清华演讲PPT内容:
PPT下载地址:关注“图像算法”微信公众号 回复“jure”