斯坦福大牛Jure Leskovec：图神经网络研究最新进展
转载自：学术头条（ID：SciTouTiao）
本文1496字25张PPT，建议阅读15分钟。
本文带来斯坦福大牛Jure Leskovec分享的图神经网络研究最新进展。
11月11日，斯坦福大牛Jure Leskovec到访清华，分享图神经网络研究最新进展。
Jure Leskovec有多厉害？
Jure Leskovec
图网络领域的大牛Jure Leskovec，是斯坦福大学计算机学院的副教授，也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。
在谷歌学术搜索（Google Scholar）上，Jure拥有接近4.5万的论文引用数量，H指数为84。这意味什么？
在美国，研究型大学要获得永久教职的副教授，H指数一般为10到12，晋升为正教授则大约为18。成为美国科学院院士则一般在45以上，中位数是57。而Jure 84的H指数也就意味着他在人工智能研究领域占有举足轻重的地位。
近年来，深度学习领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图网络已经成为2019年各大深度学习顶会的研究热点。GNN 处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。但是，大部分的图网络框架的建立都是基于研究者的先验或启发性知识，缺少清晰的理论支撑。
在ICLR2019中，Jure Leskovec 团队的一篇力作，图神经网络到底有多厉害（ How Powerful are Graph Neural Networks） ？提出了基于WL图同构测试的理论框架，为众多的GNN框架给出了精彩的理论分析，并提出了一个简单但强大的图网络框架 GIN（Graph Isomorphism Networks），同时验证了GIN在图分类任务上的卓越性能。这篇文章认为图神经网络在因果推理方面有巨大的潜力，有望成为 AI 的下一个拐点。
Jure在研究什么？
Jure在演讲中提到，图形领域的机器学习是一项重要而普遍的任务，其应用范围从药物设计到社交网络中的友情推荐。该领域的主要挑战是找到一种表示或编码图形结构的方法，以便机器学习模型可以很方便地利用它。
他介绍了图神经网络研究的最新进展，他们使用基于深度学习的技术，自动学习将图形结构编码为低维嵌入。他还介绍了图表示学习的关键进展，包括图形卷积网络及其表示能力，探讨了它在Web级推荐系统、医疗保健、知识表示和推理方面的应用。
以下是该演讲的PPT节选。
深度学习工具箱是为简单的序列和网格而设计的，但并不是任何事物都可以表示为一个序列或一个网格。
我们怎样才能开发出更为广泛应用的神经网络呢？可以通过学习图像和序列的经典神经网络之外的新领域。
为什么这很难呢？
因为网络是复杂的！
- 任意大小和复杂的拓扑结构（即没有像网格那样的空间局部性）；
- 无固定节点顺序或参考点；
- 通常是动态的，具有多模态特征。
图形神经网络
GNNs的表现力如何？
理论框架：描述GNNs的判别力
- 描述GNNs判别能力的上界；
- 提出一种超级强大的GNNs；
- 描述GNNs的辨别力；
关键点：根子树
强大的GNN能够区分不同结构的根子树。
想法：如果GNN函数是内射的，GNN可以捕获/区分根子树结构；
定理：最具判别力的GNN使用内射多集函数进行相邻聚集；
如果聚合函数是内射的，则GNN可以完全捕获/区分根子树结构。
GNNs的重要性
1.GNNs能做两件事：
- 学习如何从附近节点“借用”特征信息以丰富目标节点；
- 每个节点可以有不同的计算图，网络也可以捕获/学习其结构；
2.可选择计算图：
- 聚合不需要在所有邻近点间发生；
- 可以对邻近点进行选择/抽样；
- 在实践中获得巨大成效；
3.我们了解GNNs的失败案例：
- GNNs无法区分同构节点；
- 结构感知Vs位置感知。
——END——