干货图神经网络的十大学习资源分享
Posted 算法与数学之美
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了干货图神经网络的十大学习资源分享相关的知识,希望对你有一定的参考价值。
由于此领域的发展非常迅速,GNN背后的知识还不是那么容易获得。目前,你可以在互联网上以研究论文、文章或博客的形式找到散落在各地的GNN理论。我们缺乏的是一本GNN书籍,或者是一本在线资源汇编,来帮助人们进入了解这个领域的工作。
经过一番搜索,我发现其实有几个相当不错的资源,以一种容易理解的方式来解释GNN。希望对这个领域的新人有所帮助。让我们开始吧!
由William L. Hamilton编写的图表示学习书籍
Graph Representation Learning Book
本书是改变游戏规则的书,目前可以在线下载的预出版的版本。本书从图理论和传统图方法等初级课题开始,到前沿GNN模型和最先进的GNN研究等高级课题。本书设计精巧,自成体系,拥有图神经网络所需的大部分理论。
斯坦福课程笔记--机器学习与图
C224W|Home
这是斯坦福大学专门研究基于图的机器学习的课程。它有公开的幻灯片,从他们的讲座以及推荐阅读列表。如果你想系统地学习一门结构良好的课程,这将是一个很好的选择。
由Albert-László Barabási编著的网络科学一书
Network Science by Albert-László Barabási
这是一本提供在线交互式的书籍,主要介绍图和网络理论。虽然它没有讨论GNN,但它是获得在图数据上操作的坚实基础的极好资源。
Thomas Kipf博客
How powerful are Graph Convolutional Networks?
由GNN领域最著名的研究者之一--Thomas Kipf博士创建的一个优秀博客。在他的文章中,他轻描淡写地介绍了GNN,提供了最新方法的文献回顾,并讨论了他的论文— Semi-Supervised Classification with Graph Convolutional Networks.
Michael Bronstein博客
Michael Bronstein — Medium
Michael Bronstein是伦敦帝国理工学院的教授,也是Twitter的图学习研究的负责人。最近,他开始在Towards Data Science发表文章。他的博客文章主要以数学视角关注GNNs以及该领域的最新发展。他往往会引用许多其他关于GNNs的文章,这可能会帮助你发现其他有趣的文章。
生命科学领域的深度学习:将深度学习应用于基因组学,显微镜,药物发现等
Deep Learning for the Life Sciences
虽然这里并不完全是关于GNN的内容,但本书的部分内容提供了基于GNN模型的实际应用。它解释了如何使用生命科学的深度学习库--Deepchem将GNNs应用于分子数据集。它还进一步讨论了GNNs的不同预处理方法。
Flawnson Tong博客
Flawnson Tong - Towards Data Science
Flawnson在Medium上发表了几篇关于GNN的介绍性的文章。它们针对的是那些想对图神经网络背后的理论有基本了解的初学者。如果你想一窥GNNs是什么,这将是一个很好的选择。
GNN最近的一些论文集合—Github仓库
thunlp/GNNPapers
这是一个近期GNN论文的汇编仓库,包含了这个领域已发表的大部分论文。他们将列表细分为单独的主题,比如我们。如果你正在查找GNNs特定细分应用的论文,这个仓库值得一试。
图形神经网络与代码
Papers with Code - Papers With Code : Search for graph neural networks
Paperswithcode是一个大家都很熟悉的网站,它将研究论文与其代码一起分享。如果你想找到已经有代码实现的GNN模型,这是一个不错的地方。
图形神经网络的综述
A Comprehensive Survey on Graph Neural Networks
这篇研究论文总结了GNNs中的大部分的重要发现,简要概述了GNNs背后的历史,并讨论了不同类型的GNN架构。
雷锋字幕组是一个由AI爱好者组成的翻译团队,汇聚五五多位志愿者的力量,分享最新的海外AI资讯,交流关于人工智能技术领域的行业转变与技术创新的见解。
团队成员有大数据专家,算法工程师,图像处理工程师,产品经理,产品运营,IT咨询人,在校师生;志愿者们来自IBM,AVL,Adobe,阿里,百度等知名企业,北大,清华,港大,中科院,南卡罗莱纳大学,早稻田大学等海内外高校研究所。
如果,你也是位热爱分享的AI爱好者。欢迎与雷锋字幕组一起,学习新知,分享成长。
—THE END—
文章推荐
以上是关于干货图神经网络的十大学习资源分享的主要内容,如果未能解决你的问题,请参考以下文章