近年來，人們對深度學習方法在圖上的擴展越來越感興趣。在多方因素的成功推動下，研究人員借鑑了卷積網絡、循環網絡和深度自動編碼器的思想，定義和設計了用於處理圖數據的神經網絡結構，由此出現了一個新的研究熱點——「圖神經網絡（Graph Neural Networks，GNN）」。圖神經網絡在計算機視覺、基於圖的推薦系統、交通路線規劃、化學分子的圖結構等等領域有著廣泛的應用前景。但是現有的圖神經網絡發展也存在著諸多不足，仍需要這一領域的專家學者們進行深入探索。
本周六上午11點，我們特別邀請到遠在加州大學伯克利分校的顧方達博士，作客AI研習社NeurIPS 2020系列論文解讀直播間，為大家詳細介紹他被收錄的論文情況。嘉賓分享完還有問答環節，歡迎大家積極參與討論，一起探討《基於隱模型的圖神經網絡設計》。
分享主題：
《基於隱模型的圖神經網絡設計》
分享時間：
2020年12月5日（周六）11:00-12:00
分享嘉賓：
▲顧方達
加州大學伯克利分校二年級博士生，導師Laurent El Ghaoui。主要研究方向為隱模型（Implicit Model），機器學習模型和優化方法。
分享背景
圖神經網絡從圖結構中學習表徵。但主流圖神經網絡模型採用有限步數的信息傳遞，這樣得到的表徵無法包含長程依賴關係。我們提出基於隱模型（Implicit model）的圖神經網絡框架，隱圖神經網絡（Implicit Graph Neural Networks）。框架通過解平衡方程獲得圖表徵，進而學習長程依賴關係。隱圖神經網絡在很多圖任務上取得了優秀的表現。
分享提綱
1.圖神經網絡背景和長程依賴關係；
2.隱圖神經網絡模型；
3.模型的適定問題和訓練；
4.隱圖神經網絡的實驗驗。
論文地址
https://arxiv.org/abs/2009.0621
代碼地址
SwiftieH/IGNN: Implicit Graph Neural Networks (github.com
直播間觀看地址
AI研習社直播間：https://live.yanxishe.com/room/887
Bilibili直播間：http://live.bilibili.com/5612206