近些年來，AI 領(lǐng)域?qū)D神經(jīng)網(wǎng)絡(luò)（GNN，Graph Neural Networks）的關(guān)注越來越高，尤其是自2019年開始，GNN 更是成為各大學(xué)術(shù)頂會(huì)最熱門的主題之一，不僅相關(guān)主題的論文數(shù)量迎來了井噴式增長，相關(guān)主題的 Workshop 也成為了會(huì)議中最亮眼的存在。

作為圖結(jié)構(gòu)數(shù)據(jù)的深度學(xué)習(xí)架構(gòu)，GNN能夠?qū)⒍说蕉藢W(xué)習(xí)與歸納推理相結(jié)合，被 AI 界普遍視作有望解決深度學(xué)習(xí)無法處理的因果推理、可解釋性等一系列瓶頸問題的重點(diǎn)研究方向。

然而世界上并不存在萬效藥，GNN 也存在其內(nèi)在的局限性，目前研究界也正在從理論和應(yīng)用實(shí)踐層面對此進(jìn)行研究。

北京大學(xué)和香港科技大學(xué)攜手在KDD 2020 上發(fā)表的這篇工作“Graph Structural-topic Neural Network”，便著眼于GNN 在處理網(wǎng)絡(luò)局部子結(jié)構(gòu)方面的局限性，進(jìn)行了深入研究。

論文地址：https://www.gjsong-pku.cn/files/KDD_GraphSTONE.pdf

以高效地對節(jié)點(diǎn)鄰域特征進(jìn)行聚合為長的 GNN ，雖然可以聚合鄰域內(nèi)的節(jié)點(diǎn)特征，但無法高效地提取和表征鄰域內(nèi)的子結(jié)構(gòu)特征（例如 Graphlets等高階的結(jié)構(gòu)模式）。而此類結(jié)構(gòu)特征（Local Structure）卻在社交網(wǎng)絡(luò)、生物網(wǎng)絡(luò)、分子網(wǎng)絡(luò)等信息網(wǎng)絡(luò)中是極為重要的結(jié)構(gòu)特征。

因此，研究 GNN 的這一局限性，并找出解決方案，非常意義！

本次直播中，兩位作者——來自北京大學(xué)信息科學(xué)與技術(shù)學(xué)院的研究生龍晴晴以及來自香港科技大學(xué)計(jì)算機(jī)科學(xué)與工程系的博士生金逸倫將給大家分享解決這一問題的技術(shù)思路：通過主題模型描述圖結(jié)構(gòu)，包括圖主題模型（Graph Anchor LDA）、多視圖圖神經(jīng)網(wǎng)絡(luò)（Multi-view GNN）等關(guān)鍵技術(shù)點(diǎn)。

現(xiàn)在正在研究 GNN 這一領(lǐng)域或者將來想探索這一研究主題的同學(xué)們，可千萬不要錯(cuò)過哦~ 

直播主題：圖結(jié)構(gòu)主題神經(jīng)網(wǎng)絡(luò)

分享嘉賓：龍晴晴、金逸倫

分享時(shí)間：6月27日（周六）20:00

分享提綱：

1. 問題背景：圖神經(jīng)網(wǎng)絡(luò)，及其對圖局部子結(jié)構(gòu)的表征

2. 目前圖神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀和不足

3.  技術(shù)思路：通過主題模型描述圖結(jié)構(gòu)，包括圖主題模型（Graph Anchor LDA）、多視圖圖神經(jīng)網(wǎng)絡(luò)（Multi-view GNN）等關(guān)鍵技術(shù)點(diǎn)

4.  模型實(shí)驗(yàn)效果與分析

5. 總結(jié)

 

線上分享將在「KDD 2020 交流群」中進(jìn)行，加群方式：添加AI研習(xí)社頂會(huì)小助手（AIyanxishe2），備注「KDD」，邀請入群。入群后將會(huì)公布直播鏈接。       

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。