近年来,图神经网络(GNN)取得了快速、令人难以置信的进展。图神经网络又称为图深度学习、图表征学习(图表示学习)或几何深度学习,是机器学习特别是深度学习领域增长最快的研究课题。本次分享的题目为《GNN的基础、前沿和应用》,主要介绍由吴凌飞、崔鹏、裴健、赵亮几位学者牵头编撰的综合性书籍《图神经网络基础、前沿与应用》中的大致内容。一、图神经网络的介绍1、为什么要研究图?图是一种描述和建模复杂系统的通用语言。图本身并不复杂,它主要由边和结点构成。我们可以用结点表示任何我们想要建模的物体,可以用边表示两
2023-04-11评论:0访问次数:874
2005年,划时代之作「TheGraphNeuralNetworkModel」的问世,将图神经网络带到每个人面前。在此之前,科学家处理图数据的方式是,在数据预处理阶段,将图转换为一组「向量表示」。而CNN的出现彻底改变这种信息丢失的弊端,近20年来,一代又一代模型不断演变,推动ML领域进步。今天,谷歌正式官宣发布TensorFlowGNN1.0(TF-GNN)——用于大规模构建GNN的经过生产测试的库。它既支持在TensorFlow中的建模和训练,也支持从大型数据存储中提取输入图。TF-GNN是
2024-02-07评论:0访问次数:230
GNN 是近年来非常火的一个领域。最近,一篇 Nature 子刊论文提出了一种用 GNN 解决组合优化问题的方法,并声称该 GNN 优化器的性能与现有的求解器相当,甚至超过了现有的求解器。不过,这篇论文引来了一些质疑:有人指出,这个 GNN 的性能其实还不如经典的贪心算法,而且速度还比贪心算法慢得多(对于有一百万个变量的问题,贪心算法比 GNN 快 104 倍)。所以质疑者表示,「我们看不出有什么好的理由用这些 GNN 来解决该问题,就像用大锤砸坚果一样。」他们希望这些论文作者能够在宣称方法优越
2023-04-12评论:0访问次数:747
这些强大的算法在过去几年中获得了巨大的兴趣。然而,这种性能是基于静态图结构假设的,这限制了图神经网络在数据随时间变化时的性能。时序图神经网络是考虑时间因素的图神经网络的扩展。近年来,各种时序图神经网络算法被提出,并在多个时间相关应用中取得了优于其他深度学习算法的性能。本综述讨论了与时空图神经网络相关的有趣主题,包括算法、应用和开放挑战。论文地址:https://arxiv.org/abs/2301.105691. 引言图神经网络(GNN)是一类深度学习模型,专门设计用于处理图结构数据。这些模型
2023-04-13评论:0访问次数:1335
函数比较是对比函数相似性的重要任务,应用范围广泛。学术研究进展包括基于结构比较的传统方法和运用机器学习技术的现代方法,如NLP和GNN。最新进展还包括基于NLP的方法、基于GNN的方法和多模态方法。基于AST的Java函数比较示例使用AST树比较函数结构相似性,可通过比较器实现。
2024-04-21评论:0访问次数:392