原创 2021年,圖機器學習走勢會怎樣?

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

原创 簡單且可擴展的圖神經網絡

迄今爲止,阻礙圖神經網絡在工業應用中得到廣泛採用的挑戰之一,是難以將其擴展到像 Twitter 關注圖這樣的大型圖。節點之間的相互依賴性使得將損失函數分解爲單個節點的貢獻具有挑戰性。在本文中,我們描述了 Twitter 開發的一個簡單的圖

原创 圖神經網絡的重要分支:時間圖網絡

本文最初發表於 TowardsDataScience 博客,經原作者 Michael Bronstein 授權,InfoQ 中文站翻譯並分享。許多現實世界的問題涉及各種性質的交易網絡、社會互動和交往,這些都是動態的,可以將其建模爲圖,其中,

原创 圖神經網絡表達能力不足時,我們能做什麼?

在本文中,作者認爲圖同構設置對於分析圖神經網絡的表達能力來說太過有限,並建議基於度量嵌入進行更廣泛的設置。 前文回顧《圖深度學習:成果、挑戰與未來》 《圖神經網絡的表達能力與 Weisfeiler-Lehman 測試》 《如何設計局部的、

原创 如何設計局部的、計算效率高的、可證明的圖神經網絡?

在本文中,作者將討論如何設計局部的、計算效率高的、可證明的圖神經網絡,這種網絡不是基於 Weisfeiler-Lehman 測試層次結構。本文是圖神經網絡表達能力系列文章的第二部分。 前文回顧: 《圖深度學習:成果、挑戰與未來》 《圖神

原创 圖神經網絡的表達能力與Weisfeiler-Lehman測試

你有沒有這樣的一種感覺,圖深度學習就是一堆啓發式的東西,有時會起作用,但沒有人知道爲什麼。在本文中,作者討論了圖同構問題,圖同構測試的 Weisfeiler-Lehman 啓發式,以及如何用它來分析圖神經網絡的表達能力。這是關於圖神經網絡

原创 圖深度學習:成果、挑戰與未來

本文最初發表在 TowardsDataScience 博客,經原作者 Michael Bronstein 授權,InfoQ 中文站翻譯並分享。 圖深度學習,也稱爲幾何深度學習(Geometric deep learning,GDL)【1】、