去年,DeepMind、谷歌大脑、MIT等机构联合提出“图网络”(GNN),将端到端学习与归纳推理相结合,有望解决深度学习无法进行关系推理的问题。图网络究竟为什么如此强大?背后的机制如何?未来发展方向有哪些?这里有一份斯坦福31页PPT,带你看个明白。
图神经网络最近是个很火的话题,与传统的神经网络相比,图神经网络将图形作为输入(而不是原始像素或声波),然后学习推理和预测对象及其关系如何随时间演变。图网络方法已经证明了在一系列应用实现快速学习,达到人类水平的能力。
此外,图网络可以使网络不那么容易受到对抗性攻击,原因很简单,它是一个将事物表示为对象,而不是像素模式的系统,不会轻易被一点噪音或无关的贴纸所干扰。
新智元今天为大家推荐一份PPT综述,作者是斯坦福大学的多位博士后和博士生。这篇综述由基于神经网络和图网络的任务入手,对图神经网络的建立、架构、训练模式和模型特征等方面做了系统的梳理和介绍,并在最后给出了几个产业界和学术界的应用实例。
下面是全部PPT文稿(共31页),供感兴趣的读者参考。
首先介绍了传统神经网络任务和图网络的区别
为何图网络难以构建?
图网络架构解析:如何通过图向计算节点特征传播信息
提出DiffPool架构,对图网络进行池化
下面是几个应用实例:
图网络的强大判别能力和表达能力
结论与未来研究方向:
最后是参考文献与作者介绍:
-
神经网络
+关注
关注
42文章
4771浏览量
100709 -
模型
+关注
关注
1文章
3226浏览量
48806 -
深度学习
+关注
关注
73文章
5500浏览量
121109
原文标题:图神经网络为何如此强大?看完这份斯坦福31页PPT就懂了!
文章出处:【微信号:AI_era,微信公众号:新智元】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论