|
近年來，深度學(xué)習(xí)領(lǐng)域關(guān)于圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNN）的研究熱情日益高漲，圖網(wǎng)絡(luò)已經(jīng)成為各大深度學(xué)習(xí)頂會(huì)的研究熱點(diǎn)。GNN 處理非結(jié)構(gòu)化數(shù)據(jù)時(shí)的出色能力使其在網(wǎng)絡(luò)數(shù)據(jù)分析、推薦系統(tǒng)、物理建模、自然語言處理和圖上的組合優(yōu)化問題方面都取得了新的突破。但是，大部分的圖網(wǎng)絡(luò)框架的建立都是基于研究者的先驗(yàn)或啟發(fā)性知識(shí)，缺少清晰的理論支撐。  Jure LeskovecJure Leskovec，是斯坦福大學(xué)計(jì)算機(jī)學(xué)院的副教授，也是圖表示學(xué)習(xí)方法 node2vec 和 GraphSAGE 作者之一。在谷歌學(xué)術(shù)搜索（Google Scholar）上，Jure擁有接近4.5萬的論文引用數(shù)量，H指數(shù)為84。- The Graph Neural Network Model
- Inductive Representation Learning on Large Graphs
- Hierarchical Graph Representation Learning with Differentiable Pooling
- How powerful are Graph Neural Networks?
- PGNN: Position-Aware Graph Neural Networks
- Strategies for Pre-training Graph Neural Networks
https://static./misc/pdf/graphsage2-mit-nov19.pdf
|
