图表示学习

《图表示学习》提供了一份关于图表示学习的综述。首先，《图表示学习》讨论图表示学习的目标及图论和网络分析的关键方法论。然后，《图表示学习》介绍并回顾了学习节点嵌入的方法，包括基于随机游走的方法以及在知识图谱上的应用。再后，《图表示学习》对高度成功的图神经网络（ Graph Neural Network， GNN）进行了技术上的综合介绍， GNN已成为图数据深度学习领域占主导地位且迅速发展的范式。最后，《图表示学习》总结了针对图的深度生成模型的最新进展，这是图表示学习新生但发展迅速的子集。 威廉·汉密尔顿（William Hamilton）是麦吉尔大学（McGill University）计算机科学系的助理教授，也是加拿大高等研究院（Canadian Institute for Advanced Research, CIFAR）AI 方向的主席、GraphSAGE 的作者。他专注于图表示学习及其在计算社会科学和生物学中的应用。近年来，他在机器学习和网络科学领域的顶级会议发表了20 多篇关于图表示学习的论文，并且参与组织了关于该主题的几次大型研讨会，分享了多份重磅教程。 他的工作获得了多个奖项的认可，其中包括2017 年美国科学院Cozzarelli最佳论文奖和2018 年斯坦福大学计算机科学系Arthur Samuel 最佳博士论文奖等。 译者简介 AI TIME是 2019年由清华大学人工智能研究院张钹院士和清华大学计算机系唐杰教授、...