集智斑图顶刊论文速递栏目上线以来,持续收录来自NatureScience等顶刊的最新论文,追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能,每周通过微信服务号「集智斑图」推送论文信息。扫描上方二维码即可一键订阅


图数据结构在自然科学和社会科学中无处不在,利用图数据完成学习、推理、归纳任务是近年来的研究热点,图表示学习技术已经成为深度学习领域发展最快的方向之一

今天向大家推荐一篇最新的图表示学习综述 Graph Representation Learning,这是一本114页的小册子。 作者开放了预出版PDF文件,扫码即可在线浏览并下载。

扫码二维码或点击文末“阅读原文”即可下载PDF文件

作者 William L. Hamilton 是加拿大麦吉尔大学计算机科学助理教授。近年来的研究方向是图表示学习和图神经网络。有多篇论文被 ACL、NeurIPS、ICML 等会议收录。




摘要:


图结构数据在自然科学和社会科学中,比如从电信网络到量子化学等等领域,几乎无处不在。如果我们希望系统能够从这类数据中学习、推理和归纳,那么将关系归纳偏差构建到深度学习体系结构中是至关重要的。近年来,图表示学习的研究激增,包括深层图嵌入技术、卷积神经网络对图结构数据的推广以及基于信念传播的神经信息传递方法。图形表示学习的这些进步导致了许多领域的最新成果,包括化学合成、三维视觉、推荐系统、问答和社会网络分析。


这本书的目标是提供一个图表示学习的综述。我们首先讨论图表示学习的目标,以及图论和网络分析的关键方法论基础。在此基础上,我们介绍和回顾了节点嵌入的学习方法,包括基于随机游走的方法和在知识图中的应用。然后,我们对高度成功的图神经网络(GNN)形式进行了技术上的综合和介绍,它已经成为图形数据深度学习的主导和快速发展的范例。这本书的结尾是对图形深层生成模型的最新进展的综合,这是一个新生的,但快速增长的图形表示学习子领域。


目录:
  • Chapter 1: Introduction and Motivations

  • Chapter 2: Background and Traditional Approaches

  • Part I: Node Embeddings

    • Chapter 3: Neighborhood Reconstruction Methods

    • Chapter 4: Multi-Relational Data and Knowledge Graphs 

  • Part II: Graph Neural Networks

    • Chapter 5: The Graph Neural Network Model 

    • Chapter 6: Graph Neural Networks in Practice

    • Chapter 7: Theoretical Motivations

  • Part III: Generative Graph Models

    • Chapter 8: Traditional Graph Generation Approaches

    • Chapter 9: Deep Generative Models

  • Bibliography


作者还提供了分章节下载的地址,地址见:
https://www.cs.mcgill.ca/~wlh/grl_book/

推荐阅读


👇点击“阅读原文”,下载PDF原文