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.