新智元報導
來源：Stanford
編輯：大明
【新智元導讀】去年，DeepMind、谷歌大腦、MIT等機構聯合提出「圖網絡」（GNN），將端到端學習與歸納推理相結合，有望解決深度學習無法進行關係推理的問題。圖網絡究竟為什麼如此強大？背後的機制如何？未來發展方向有哪些？這裡有一份斯坦福31頁PPT，帶你看個明白。
圖神經網絡最近是個很火的話題，與傳統的神經網絡相比，圖神經網絡將圖形作為輸入(而不是原始像素或聲波)，然後學習推理和預測對象及其關係如何隨時間演變。圖網絡方法已經證明了在一系列應用實現快速學習，達到人類水平的能力。
此外，圖網絡可以使網絡不那麼容易受到對抗性攻擊，原因很簡單，它是一個將事物表示為對象，而不是像素模式的系統，不會輕易被一點噪音或無關的貼紙所幹擾。
新智元今天為大家推薦一份PPT綜述，作者是史丹福大學的多位博士後和博士生。這篇綜述由基於神經網絡和圖網絡的任務入手，對圖神經網絡的建立、架構、訓練模式和模型特徵等方面做了系統的梳理和介紹，並在最後給出了幾個產業界和學術界的應用實例。
下面是全部PPT文稿（共31頁），供感興趣的讀者參考。
首先介紹了傳統神經網絡任務和圖網絡的區別
為何圖網絡難以構建？
圖網絡架構解析：如何通過圖向計算節點特徵傳播信息
GraphSAGE：聚合後的參數可供全部計算節點共享
提出DiffPool架構，對圖網絡進行池化
下面是幾個應用實例：
圖網絡的強大判別能力和表達能力
結論與未來研究方向：
最後是參考文獻與作者介紹：
更多閱讀
看完這個文，你還會高喊快快造出「中國芯」？騰訊給出27億美元估值，Reddit要成中國公司？四年三次上春晚，大型仿人服務機器人中國造！
新智元AI技術+產業社群招募中，歡迎對AI技術+產業落地感興趣的同學，加小助手_2 入群;通過審核後我們將邀請進群，加入社群後務必修改群備註（姓名 - 公司 - 職位;專業群審核較嚴，敬請諒解）。