课程描述
图神经网络(GNN)是图结构上支进行信息处理网络体系结构。它们已被开发并作为卷积神经网络(CNN),我们在本课程中主要介绍,该卷积神经网络用于处理时空信号。根据学生对神经网络(NN)和深度学习的了解程度,这句话听起来可能很奇怪。CNN不只是NN的特殊情况吗?GNN并非如此吗?从严格意义上讲,它们是,但是本课程的关注点是涉及高维信号的大规模问题。在这些场景中,NN无法缩放。CNN为时空信号提供可扩展的学习。GNNS支持对图上支持的信号进行可扩展的学习和聚合。
在本课程中,我们将介绍图卷积滤波器和图滤波器组,然后继续研究单特征和多特征GNN。我们还将介绍相关的架构,例如循环GNN。将特别强调研究置换的等方差和图形神经网络变形的稳定性。这些特性提供了一种可以凭经验观察到的有关GNN良好性能的解释方法。我们还将研究大量节点中的GNN,以解释GNN在具有不同节点数的网络之间的可传递性。
课程首页
https://gnn.seas.upenn.edu/
课程主讲人
课程大纲
课程视频截图
往期精品内容推荐
最近几年-基于深度学习自然语言处理的推荐系统-必读论文整理分享
深度数学简书-《深度学习论文写作之数学符号规范表示合集》免费pdf分享
DeepMind深度学习系列讲座-10-深度学习里的表示学习
邱锡鹏DL经典教材-《神经网络与深度学习》免费pdf及ppt分享
DeepMind20年DL课程(带字幕)-计算机视觉前沿模型