加州伯克利博士：基于隐模型的图神经网络设计 | NeurIPS 2020论文分享

Posted 2021-04-26 AI科技评论

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了加州伯克利博士：基于隐模型的图神经网络设计 | NeurIPS 2020论文分享相关的知识，希望对你有一定的参考价值。

近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，由此出现了一个新的研究热点——“图神经网络（Graph Neural Networks，GNN）”。图神经网络在计算机视觉、基于图的推荐系统、交通路线规划、化学分子的图结构等等领域有着广泛的应用前景。但是现有的图神经网络发展也存在着诸多不足，仍需要这一领域的专家学者们进行深入探索。
本周六上午11点，我们特别邀请到远在加州大学伯克利分校的顾方达博士，作客AI研习社NeurIPS 2020系列论文解读直播间，为大家详细介绍他被收录的论文情况。嘉宾分享完还有问答环节，欢迎大家积极参与讨论，一起探讨《基于隐模型的图神经网络设计》。
分享主题：
《基于隐模型的图神经网络设计》

分享时间：
2020年12月5日（周六）11:00-12:00

分享嘉宾：

▲顾方达

加州大学伯克利分校二年级博士生，导师Laurent El Ghaoui。主要研究方向为隐模型（Implicit Model），机器学习模型和优化方法。

分享背景

图神经网络从图结构中学习表征。但主流图神经网络模型采用有限步数的信息传递，这样得到的表征无法包含长程依赖关系。我们提出基于隐模型（Implicit model）的图神经网络框架，隐图神经网络（Implicit Graph Neural Networks）。框架通过解平衡方程获得图表征，进而学习长程依赖关系。隐图神经网络在很多图任务上取得了优秀的表现。