極驗發布全國首個專注於圖神經網絡的書籍,《深入淺出圖神經網絡...

2021-01-21 砍柴網

圖神經網絡是當前 AI 領域最為火爆的研究熱點之一，學術界與工業界各大公司紛紛投入大量資源研究。它在因果推理上擁有巨大潛力，有望解決深度學習無法處理的關係推理、可解釋性等一系列問題，而這些問題被業界認為是能夠推動 AI 出現實質性進展的關鍵。

GNN（圖神經網絡：Graph Neural Network）在經歷過 2017-2018 年兩年的孕育期與嘗試期之後，在 2018 年末至今的一年多時間裡，迎來了快速爆發期。從理論研究到應用實踐，可謂是遍地開花，讓人應接不暇。

隨著圖神經網絡熱潮的出現，了解和掌握圖神經網絡相關技術原理已經成為未來從事 AI 相關工作的一種趨勢。然而，作為人工智慧的下一個拐點，在此之前，國內乃至全球並沒有圖模型與應用方向的專業書籍。

《深入淺出圖神經網絡：GNN原理解析》是對極驗7年來，在AI研發&圖項目實踐等核心工作中寶貴經驗的一次總結。作者所在的公司極驗，是一家利用創新技術，幫助企業鑑別異常流量，同時洞察價值數據，將數據價值最大化的服務商。當前，極驗與全球29萬家企業達成戰略合作，每天產生交互數據超過12億次。

《深入淺出圖神經網絡》的出版，以及國內首個圖數據建模平臺——疊圖的發布，勢必將推動圖領域的快速發展，並加速下一輪AI變革的到來。

相關焦點

  • 專注圖關係數據挖掘,「極驗」發布圖數據建模平臺「疊圖」
    36氪獲悉，7月11日，「極驗」舉行Graph Learning 創新大會暨極驗 2019 圖數據建模平臺發布會，並發布新產品——圖數據建模平臺。36氪曾多次報導極驗。極驗成立於 2012 年，是一家驗證安全技術服務提供商。
  • 一份完全解讀:是什麼使神經網絡變成圖神經網絡?
    本文將就「為什麼圖有用」、「為什麼很難在圖上定義卷積」、「是什麼使神經網絡成為了圖神經網絡」這些問題進行討論。首先，讓我們簡單回顧一下什麼是圖？圖 G 是由有向或無向邊連接的一組節點(頂點)。節點和邊通常是由專家依據知識經驗或是對問題的直覺進行設置的。
  • 為什麼要進行圖學習?談一談逆勢而上的圖神經網絡
    相信你一定會說出來一個：圖神經網絡。圖嵌入表示:深度遊走（Deepwalk）圖系列|從圖(Graph)到圖卷積: 漫談圖神經網絡模型(I)圖系列|從圖(Graph)到圖卷積: 漫談圖神經網絡模模型(II)圖系列|從圖(Graph)到圖卷積: 漫談圖神經網絡模模型(III)圖卷積神經網絡Graph Convolutional Network(GCN)：從問題到理論分析
  • 【乾貨】圖神經網絡的十大學習資源分享
    【乾貨】圖神經網絡的十大學習資源分享英語原文：Top 10 Learning Resources for Graph Neural Networks翻譯：雷鋒字幕組（聽風1996）圖神經網絡（GNNs）是深度學習的一個相對較新的領域，從最近開始越來越流行
  • 南洋理工大學最新發布開源圖神經網絡基準
    但大多數研究所使用的數據集都很小，如Cora和TU，在這種情況下，即使是非圖神經網絡的性能也相當可觀。只有使用中等大小的數據集進行進一步比較，圖形神經網絡的優勢才會變得明顯。在斯坦福圖形神經網絡bull Jure等人發布「開放圖形基準」之後，又一項旨在構建「圖形神經網絡圖像網」的研究應運而生。
  • 一文讀懂圖神經網絡
    圖神經網絡作為神經網絡擴展，可以處理以圖結構表示的數據格式。在圖中，每個節點都由本身的特性以及其相鄰的節點和關系所定義，網絡通過遞歸地聚合和轉換相鄰節點的表示向量來計算節點的表示向量。圖神經網絡(GraphNeural Networks, GNNs)，主要針對非歐幾裡得空間結構（圖結構）的數據進行處理。
  • 簡單圖神經網絡(GNN)的基礎知識
    在社交網絡分析等一些應用中，圖神經網絡已經得到了廣泛的應用。新加坡科技研究局（A*STAR）的研究者 Rishabh Anand 近日通過圖解的方式介紹了圖與圖神經網絡的基本概念，或許能幫助初學者更直觀地理解圖神經網絡的內涵和價值。
  • 逆勢而上的技術:圖神經網絡學習來了!
    你一定不會忽略它——圖神經網絡。相比傳統神經網絡，圖神經網絡的優勢非常明顯：1、非順序排序的特徵學習：GNN 的輸出不以節點的輸入順序為轉移的。百度作為 AI 領域的領頭羊企業，在圖神經網絡領域的研究、產業實踐、工業落地方面，積累了豐富的經驗！作為百度圖神經網絡研究的中堅力量，百度 PGL 團隊戰績累累，刷新圖神經網絡權威榜單 OGB 三項榜單 SOTA以及獲得今年 COLING 協辦比賽 TextGraph 冠軍！
  • 圖神經網絡的表達能力,究竟有多強大?
    本文作者 Michael Bronstein 是一名來 自帝國理工學院的教授，同時也是 Twitter 圖機器學習項目組的負責人。在本文中，他深入淺出地介紹了近年來分析圖神經網絡表達能力的工作，並介紹了他們對於該領域未來發展方向的思考。
  • 圖神經網絡 Graph Neural Network (GNN)
    傳統的神經網絡比較適合用於歐式空間的數據，而圖神經網絡 GNN 可以把神經網絡用在圖結構 (Graph) 中。圖神經網絡的種類很多，包括圖卷積網絡 GCN、圖注意力網絡 GAT、圖自編碼器 GAE 等。本文介紹最早被提出的圖神經網絡 (Graph Neural Network) GNN。
  • 圖神經網絡越深,表現就一定越好嗎?
    數十層甚至數百層神經網絡的應用，是深度學習的重要標誌之一。但現實情況卻遠非如此：比如今年被視作機器學習領域最火熱的研究方向之一——圖神經網絡，大多數都只運用了寥寥幾層網絡。一般思路裡，我們會認為圖神經網絡越深，效果就會越好。
  • 通過圖神經網絡了解玻璃
    利用圖神經網絡對玻化動力學建模可以將玻璃建模為粒子通過短程排斥勢相互作用的方法，這實際上可以防止粒子彼此之間過於靠近。這種潛力是關係性的（只有粒子對相互作用）和局部的（只有附近的粒子彼此相互作用），這表明尊重這種局部和關係結構的模型應該是有效的。
  • OpenAI發布「顯微鏡」,可視化神經網絡內部結構
    OpenAI Microscope顯微鏡地址：https://microscope.openai.com/models如上圖所示，初始版本包含8個計算機視覺領域的神經網絡模型。每個神經網絡都用可視化的形式展示了一些重要神經元的內部結構。
  • 自動給神經網絡找bug,Google發布TensorFuzz
    給神經網絡捉蟲，更是比普通程序難得多：絕大部分bug都不會導致神經網絡崩潰、報錯，只能讓它訓練了沒效果，默默地不收斂。能不能把煉丹師們從無休止無希望的debug工作中拯救出來？兩位谷歌大腦研究員Augustus Odena和Ian Goodfellow說，好像能。他們推出了一種自動為神經網絡做軟體測試的方法：TensorFuzz。
  • 表徵圖數據絕不止圖神經網絡一種方法
    近年來，圖神經網絡掀起了將深度學習方法應用於圖數據分析的浪潮。不過其作為一門古老的認識世界的方法論，人們對於圖表徵技術的研究從很早以前就開始了。雖然現在深度神經網絡在物體識別、圖像分類和自然語言處理領域都取得了巨大的成功。然而，「設計出最優的神經網絡，學習並輸出任意的圖」仍然是一個熱門的研究課題。
  • 用於半監督學習的圖隨機神經網絡
    原標題：用於半監督學習的圖隨機神經網絡 　　導讀：在 NeurIPS 2020 上，清華大學聯合微眾銀行
  • 表徵圖數據,絕不止圖神經網絡一種方法
    雖然現在深度神經網絡在物體識別、圖像分類和自然語言處理領域都取得了巨大的成功。然而，「設計出最優的神經網絡，學習並輸出任意的圖」仍然是一個熱門的研究課題。本文是一篇出自倫敦大學學院的圖表徵學習綜述，詳細介紹了圖核、卷積、圖神經網絡、圖嵌入、概率模型共五類圖表徵學習方法的起源與發展，並對圖數據表徵學習方法的最新進展和未來發展方向進行總結和討論。
  • 中科院計算所提出圖神經網絡加速晶片設計
    圖神經網絡加速晶片之後有望成為主流的機器學習晶片。近日，《中國計算機學會通訊》（CCCF）刊發了中科院計算所特別研究助理嚴明玉、研究員範東睿以及研究員葉笑春，共同撰寫的綜述文章《圖神經網絡加速晶片：人工智慧「認知智能」階段起飛的推進劑》。
  • 圖神經網絡快速爆發,最新進展都在這裡了
    近年來，圖神經網絡（GNNs）發展迅速，最近的會議上發表了大量相關的研究論文。本文作者正在整理一個GNN的簡短介紹和最新研究報告的摘要。希望這對任何準備進入該領域或試圖趕上最新技術進展的人有所幫助。什麼是圖神經網絡？圖是一種包含節點（頂點）的數據類型，這些節點（頂點）通過邊相互連接，邊可以是有向的，也可以是無向的。
  • 有道nmt神經網絡_有道神經網絡翻譯(nmt) - CSDN
    Weaver發表《翻譯備忘錄》，第一次正式提出機器翻譯的思想，到傳統的基於短語的機器翻譯（PBMT：Phrase-Based Machine Translation）,再到當今基於遞歸神經網絡（RNN：recurrent neural network）技術的神經網絡翻譯（NMT：Neural Machine Translation）的各種翻譯機和翻譯軟體的出現。