图神经网络快速爆发,最新进展都在这里了
文章插图
文章插图
译者 | 刘畅
出品 | AI科技大本营(rgznai100)
近年来 , 图神经网络(GNNs)发展迅速 , 最近的会议上发表了大量相关的研究论文 。 本文作者正在整理一个GNN的简短介绍和最新研究报告的摘要 。 希望这对任何准备进入该领域或试图赶上最新技术进展的人有所帮助 。
文章插图
什么是图神经网络?
图是一种包含节点(顶点)的数据类型 , 这些节点(顶点)通过边相互连接 , 边可以是有向的 , 也可以是无向的 。 每个节点都有一组特征(这些特征可以表示节点的属性 , 也可以是一个热编码(One-hot)信息) , 而边定义了节点之间的关系 。
在典型的GNN中 , 消息传递是由边在相邻节点之间上执行的 。 直观地说 , 消息是信息的神经编码 , 它从一个节点传递到与其连接的邻居节点 。 在任何神经层 , 节点的表示都是通过将其所有邻居的消息聚合到当前节点来计算的 。 经过多轮消息传递 , 可以获得每个节点的向量表示 , 可以解释为一种既描述节点特征信息又描述节点周围邻域图结构的嵌入表示 。
文章插图
GNN最新论文简介
1、XGNN:Towards Model-Level Explanations of Graph Neural Networks
使用神经网络的一个主要问题是它们常被当作黑匣子 。 由于缺乏神经决策背后的原因 , 它们不太可能用于一些关键性决策的情况 。 当前的方法使用梯度、稀疏和神经网络在前向传递过程中产生的激活用于解释其输出 。 然而 , 这并不是一个非常有效的方法 , 而且对于GNNs来说也是非常困难的 。
这篇发表在KDD2020上的论文使用了一种新的方法XGNN , 通过结合生成性方法与强化学习来解决这个问题 。 这种方法可以用来获取信息进行理解、验证 , 甚至提高训练好的GNN模型 。
文章插图
论文解析:
2、Neural Dynamics on Complex Networks
【图神经网络快速爆发,最新进展都在这里了】本文解决了复杂网络中连续时间动态捕捉的问题 。 作者提出了一种将常微分方程(ODEs)与GNNs相结合的方法来有效地模拟系统结构和动力学 , 从而更好地理解、预测和控制复杂网络 。
文章插图
论文解析:
3、Competitive Analysis for Points of Interest
接下来这篇论文是来自于Baidu Research , 它是GNNs的一个实际应用 , 对在提供类似产品/服务(称为兴趣点 , poi)的相邻企业实体之间建立消费者选择模型 。 为了预测poi之间的竞争关系 , 开发了一个基于GNN的深度学习框架DeepR , 它集成了poi的异构用户行为数据、业务评论和地图搜索数据 。
文章插图
论文解析:
4、Comprehensive Information Integration Modeling Framework for Video Titling
阿里巴巴集团的这篇文章旨在利用消费者产生的大量产品评论视频 , 更好地了解他们的偏好 , 并向潜在客户推荐相关视频 。 这些视频的一个主要问题是没有正确标记 。 因此 , 论文提出了一种基于主题层次的、基于交互因素的二级视频摘要生成方法 。
- “千店同开”引质量担忧,小米回应
- 企业|技术快速迭代倒逼知识产权“贴身”服务,上海首家AI商标品牌指导站入驻徐汇西岸
- 三星Galaxy A52 5G通过3C认证 支持最高15W快速充电
- 大健康速递丨腾讯上线疫苗接种服务区;华大基因研发出快速鉴定盒
- 展望2021|运营商蓄势5G新基建,2021年或成5G应用端爆发元年
- 家用继续爆发 2020年投影市场迎来冰火两重天
- 2020年度网络盘点:WiFi 6大爆发、Mesh与游戏加速齐飞
- 小米联合京东及爱回收推全新换机服务 帮你快速换新机
- 西安奕斯伟硅产业基地项目建设刷新我国建设大硅片制造项目的最快速度
- 网络|万物互联,更离不开网络文明