首页 国内 国际 要闻 社会 文化 健康 科技 教育 旅游 财经 实时

图神经网络快速爆发,最新进展都在这里了

2020-10-14 08:00:43 来源:深圳都市爆料
分享: 微信

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。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,

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。

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。

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。

论文解析:

https://crossminds.ai/video/5f3375a63a683f9107fc6b72/

2、Neural Dynamics on Complex Networks

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。

论文解析:

https://crossminds.ai/video/5f3375a13a683f9107fc6b34/

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。

论文解析:

https://crossminds.ai/video/5f3375a13a683f9107fc6b31/

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。

论文解析:

https://crossminds.ai/video/5f3369730576dd25aef288a8/

5、Knowing Your FATE:Explanations for User Engagement Prediction on Social Apps

Snapchat团队的这篇文章探讨了使用GNNs的社交媒体应用程序中用户的参与度。它提出了一个端到端的神经网络框架来预测用户参与度,这些因素包括好友数量和质量、用户发布内容的相关性、用户行为和时间因素。这是GNNs最直观的应用之一。

论文解析:

https://crossminds.ai/video/5f405f57819ad96745f802ba/

下面是CVPR/KDD/ECCV/ICML更多的关于图卷积网络的论文:

[CVPR 2020] Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud  [CVPR 2020] Geometrically Principled Connections in Graph Neural Networks [CVPR 2020] SuperGlue: Learning Feature Matching With Graph Neural Networks  [CVPR 2020] Learning Multi-View Camera Relocalization With Graph Neural Networks  [CVPR 2020] Multi-Modal Graph Neural Network for Joint Reasoning on Vision and Scene Text  [CVPR 2020] Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory  [CVPR 2020] Dynamic Multiscale Graph Neural Networks for 3D Skeleton Based Human Motion Prediction  [CVPR 2020] Dynamic Graph Message Passing Networks  [ECCV 2020] Graph convolutional networks for learning with few clean and many noisy labels  [ICML 2020] When Spectral Domain Meets Spatial Domain in Graph Neural Networks  [KDD 2020] Graph Structural-topic Neural Network  [KDD 2020] Towards Deeper Graph Neural Networks  [KDD 2020] Redundancy-Free Computation for Graph Neural Networks  [KDD 2020] TinyGNN: Learning Efficient Graph Neural Networks  [KDD 2020] PolicyGNN: Aggregation Optimization for Graph Neural Networks [KDD 2020] Residual Correlation in Graph Neural Network Regression  [KDD 2020] Spotlight: Non-IID Graph Neural Networks  [KDD 2020] XGNN: Towards Model-Level Explanations of Graph Neural Networks  [KDD 2020] Dynamic Heterogeneous Graph Neural Network for Real-time Event Prediction  [KDD 2020] Handling Information Loss of Graph Neural Networks for Session-based Recommendation [KDD 2020] Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks  [KDD 2020] GPT-GNN: Generative Pre-Training of Graph Neural Networks  [KDD 2020] Graph Structure Learning for Robust Graph Neural Networks  [KDD 2020] Minimal Variance Sampling with Provable Guarantees for Fast Training of Graph Neural Networks  [KDD 2020] A Framework for Recommending Accurate and Diverse Items Using Bayesian Graph Convolutional Neural Networks  [KDD 2020] Competitive Analysis for Points of Interest  [KDD 2020] Knowing your FATE: Explanations for User Engagement Prediction on Social Apps  [KDD 2020] GHashing: Semantic Graph Hashing for Approximate Similarity Search in Graph Databases  [KDD 2020] Comprehensive Information Integration Modeling Framework for Video Titling  

 


(责任编辑:深圳都市爆料)


免责声明:本站所有文章内容不代表本站立场,本站不对其内容的真实性、完整性、准确性给予任何担保、暗示和承诺,仅供读者参考;文章版权归原作者所有!本站作为信息内容发布平台,信息均由网友投稿发布,页面展示内容的目的在于传播更多信息;本站内容不参与任何的商业性质服务与用途,阁下应知本站所提供的内容不能做为操作依据。如本文内容影响到您的合法权益(含文章中内容、图片等),请及时联系我们,我们核实后会及时删除处理。

相关文章

不懂AI的我,是如何搞开发的?

高达86%,这就是目前市场对「定制开发AI模型」需求的占比。但在这个过程中,企业用户和开发者往往存在着以下诸多问题:缺少模型训练经验 数据采集和标注成本较高 模型适配与部署流程非常繁琐 模型优化迭代周期长那么,是否存...

来源:广州都市报

美国威斯康星州长:必须控制新冠病毒 以防医疗系统崩溃

当地时间10月13日,美国威斯康星州州长托尼·埃弗斯表示,必须控制住该州的新冠病毒,以防医疗系统不堪重负。埃弗斯说,上周末该州迎来了一个“严峻的里程碑”,新冠病毒确诊病例超过15万例,过去一个月住院人...

来源:娱乐之窗

李治廷与女友现身妇产医院 女友小腹隆起疑怀孕

近日,男星李治廷被拍到和女友一同现身某妇产医院,疑似做产检。李治廷女友穿黄色卫衣配短裤,穿着十分宽松,进医院后一边玩手机一边等待检查。此前,两人也曾被拍到过去医院做检查,照片中李治廷的女友小腹微微隆起...

来源:深圳都市晚报

特斯拉四季度需交付18.165万辆电动汽车 全年才能达到50万辆

【TechWeb】10月14日消息,据国外媒体报道,在近三个季度的财报中,特斯拉都提到他们有能力在今年交付超过50万辆电动汽车,但从目前的情况来看,他们实现这一目标还是有一定的压力。特斯拉公布的季度产量及交付量数据显示,今年...

来源:深圳财经频道

掌门人时隔20年正式易主 现代汽车集团首席副会长郑义宣升任会长

【TechWeb】10月14日消息,据国外媒体报道,周三,现代汽车集团首席副会长郑义宣(Chung Euisun)升任为该集团的新一任会长,这是该集团掌门人时隔20年正式易主。2018年9月,郑义宣被任命为现代汽车集团的首席副会长。如今,他正式接...

来源:广东新闻网

三星Exynos 1080芯片即将面世:正面硬刚高通骁龙875

【TechWeb】根据此前官方透露的消息,高通将于12月1日举行2020高通骁龙技术峰会,届时明年主流旗舰首选的全新5nm骁龙875旗舰平台将正式亮相。不过它并不会是唯一的王者,不出意外的话,三星也将于同期推出自家的全新5nm旗舰...

来源:深圳热点资讯

ARM中国发布“周易”Z2 AIPU:单核算力提升一倍 芯片面积减少30%

【TechWeb】10月14日消息,ARM在中国的分支“安谋中国”虽然此前陷入混乱的人事动乱,不过看起来这些问题并未影响到安谋中国在技术和产品上的推进。近期安谋中国正式发布AI专用处理器“周易”Z2AIPU...

来源:民生晚报

ARM中国发布“周易”Z2 AIPU:单核算力提升一倍 芯片面积减少30%

【TechWeb】10月14日消息,ARM在中国的分支“安谋中国”虽然此前陷入混乱的人事动乱,不过看起来这些问题并未影响到安谋中国在技术和产品上的推进。近期安谋中国正式发布AI专用处理器“周易”Z2AIPU...

来源:深圳财经频道

全国有6540万套空置房?辟谣 这回真相大白了!

"【全国有6540万套空置房?辟谣】近日,一则“全国有6540万套空置房”的消息在社交平台上传播,引起广泛讨论。据了解,该消息称国家电网公司在660个城市的调查显示,有高达6540万套住宅的电表连续6个月读数为零,按每套房三口...

来源:新闻爆料

吴尊友谈青岛疫情 规模不会太大 “零号病人”待核实

"13日晚,央视节目《新闻1+1》连线中国疾控中心流行病学首席专家吴尊友,就大家关注的“零号病人”、“黄金周去过青岛是否需隔离”、“此波疫情规模”等问题作出回应。吴尊友介绍,大规模核酸检测结果显示,这次疫情规模应...

来源:深圳都市爆料

合作联系

联系方式

中华网新媒体 财经频道
互动/投稿邮箱:
852414410@qq.com
网上不良信息举报QQ:852414410
内侵权删除处理QQ:852414410
本站涵盖的内容、图片、视频等内容均由网友自助投稿或发布,本站不对内容真实性承担责任。若涉内容及版权问题,请联系我们进行删除!