الشكل الشبكة العصبية (GNN، الشبكات العصبية الرسم البياني) 2019 هي واحدة من أهم المواضيع في مجال AI. ويستخدم الرقم عمق التعلم الشبكة العصبية لتعيين بنية العمارة البيانات، والجمع بين نهاية التعلم والاستدلال الاستقرائي، وصناعة عموما يعتقدون يتوقع أن التعلم العميق لمعالجة الاستدلال السببي لا يمكن التعامل معها، للتفسير وسلسلة من الاختناقات هو المستقبل الاتجاهات الرئيسية 3-5 سنوات. 2019 الشكل الشبكة العصبية التي نتائج البحوث التي تستحق الاهتمام؟ عام 2020، والتي بدورها في أي اتجاه؟ دعونا نلقي نظرة فاحصة.
هذه المادة هي InfoQ "تفسير 2019" واحدة من نهاية العام تكنولوجيا سلسلة المخزون.
1 GNN: من الأوائل في اندلاع السريع
هذا العام، وكانت خريطة تكنولوجيا الشبكة العصبية (الرسم البياني الشبكات العصبية، GNN) الأكاديمية قلق كبير والاستجابة لها. تم GNN المؤتمرات الكبرى تقدم ورشة العمل ذات الصلة، وأصيب في ورقة، وعدد الأوراق مع كلمات للشبكة الرسم البياني أيضا كل الغضب، ما يقرب من ثلاث سنوات بعد يبين الشكل الكلمات الرئيسية في كل دورة الأكاديمية اتجاه النمو:
GNN بعد أن مرت سنتين من فترة الحضانة 2017-2018 والفترة المحاولة أكثر من عام منذ نهاية 2018، وبشرت في اندلاع السريع. من البحوث النظرية إلى التطبيق العملي، يمكن وصفها بأنها في كل مكان، طغت الناس. من الناحية النظرية، GNN شرح المبادئ والنماذج والمتغيرات تتكيف مع مجموعة متنوعة من بيانات الخرائط لتوسيع عمل في التيار الرئيسي. في التطبيق العملي، GNN هو عرض غير مسبوق من النفاذية، والمنطق من البصرية على الأسئلة القراءة والفهم المفتوح العضوية، جزيئات الدواء من البحث والتطوير ل5G تصميم رقاقة، توقعات تدفق حركة المرور لمعرفة من البيانات سحابة نقطة 3D نرى GNN آفاق تطبيق واسع للغاية. (مثل ICML، خطط التنفيذ الوطنية، CVPR، ACL، KDD، الخ) ورقات GNN ذات الصلة على رأس هذا سيكون الاجتماع الرئيسي لفرز العام الماضي، والتركيز على تفسير GNN التقدم خلال العام الماضي من كل من البحوث النظرية والتطبيق العملي. نظرا لضيق الوقت والمكان، وهذه المادة ليست لكل اتجاه لإجراء ملخص شامل والتعميم، للقراء المهتمين لتسريب ورقة شغل وفقا لارتباط الواردة في النص.
2 GNN المبدأ، المتغيرات وتوسيع
GNN كما اتجاه التكنولوجيا الناشئة، ومبدأ التفسير ومجموعة متنوعة من المتغيرات والتوسع يشكل محور البحوث النظرية، هذه الأوراق إجابة جيدة لمزايا وعيوب GNN وتجديد الصلة للمشكلة.
2.1 مبدأ GNN التفسير
الدراسة الأولى من الدراسة الحالية هو التركيز GNN قدرة النظرية ذات الصلة بها. في "كيف قوية هي الشبكات العصبية الرسم البياني؟" و "على التكافؤ بين اختبار تشاكل المخططات وظيفة تقريب مع GNNs"، وGNN تنعكس كلها في مشكلة تشاكل المخططات نوقشت. FIG التماثل تحديد ما اذا كان اثنين نظرا FIG بما يتفق مع تكوين هو مبين أدناه. هذا السؤال اختبار الخوارزمية هو القدرة على تمييز نموذج GNN هيكل بيانات الخرائط، أثبتت هاتين المادتين مع ممتازة القدرة على التعلم هيكل. الشكل يحتوي بشكل طبيعي العلاقة، ويقوم كثير من العمل GNN ذات الصلة على دراسة المنطق تعلم نظام معين، في هذه الدراسات، "هل الرسم البياني الشبكات العصبية مساعدة المنطق المنطق؟" و "التعبير المنطقي من الرسم البياني العصبية شبكات "أثبتت GNN أداء ممتاز على التفكير المنطقي. "كل ما لدينا هو منخفض ممر فلاتر" من تمرير منخفض تصفية مستوى لشرح فعالية GNN. وتفسير هذه المبادئ تساعدنا على إيجاد فهم أكثر وضوحا من خصائص الخبرة GNN.
2.2 GNN جميع أنواع المتغيرات
GNN نموذج المتغيرات البحوث ذات الصلة هو نقطة ساخنة أخرى في هذا المجال، هذه المتغيرات لتعزيز قدرة الأداء GNN في بعض الجوانب. ونحن نعلم أن تحويل فورييه على نموذج GCN المستمدة من إشارة الرقم، يدخل "الرسم البياني المويجات الشبكات العصبية" والمويجات تحويل على الرسم البياني لتحويل نموذج GCN إشارة، وحساب التفاف لتحويل المجال الجوي حي المحلي. تحول بيانات التوصيف من الفضاء الإقليدية إلى الفضاء القطعي، وليس فقط يمكن الحصول على أفضل مستوى من التمثيل، ويمكن أن يقلل كثيرا من البعد المكاني، "الزائدية الرسم البياني شبكات التلافيف العصبية" و "شبكات الاهتمام الزائدية" حين واصلت GNN إلى الفضاء القطعي يصل.
في "MixHop: العالي للطلب الرسم البياني التلافيف البنى عبر Sparsified الجوار خلط" و "إنتشار يحسن الرسم البياني التعلم" في حين أن التعريف الأصلي للجيران GCN من أجل توسيع بأمر عالية، وتعزيز خصائص تصفية نموذج المنخفضة للمرور.
2.3 GNN التوسع في أنواع مختلفة من بيانات الخرائط والمهام
تعيين البيانات هي مجموعة واسعة من البيانات الأسرة، وبيانات نموذج عن كيفية هذه الأنواع المختلفة من التكيف، GNN هو توجها هاما آخر من التنمية. ويبين الجدول التالي ملخص المقابلة:
تعليمات FIG المقابلة لنوع الورق الملكية التعددية نوع عقدة FIG، العقدة يحتوي على سمات، ومعظم السوبر تمثيلي FIG ميزة ربط اثنين أو أكثر من العقد في نفس الوقت بنية ديناميكية FIG لا حافة ضمني صريح تطور الزمن بين العقد الرسم البياني، والحاجة أولا تعلم بنية FIG.
: HetGNN: غير المتجانسة الشبكة العصبية الرسم البياني
: التمثيل التعلم للينسب شبكة غير المتجانسة متعددة
: HyperGCN: طريقة جديدة لشبكات التلافيف الرسم البياني التدريب على Hypergraphs
: DyRep: التمثيل التعلم على الرسوم البيانية الحيوي
: شبه يشرف التعلم مع التعلم من التلافيف شبكات الرسم البياني
: لمحات عن التعليم المنفصلة عن الشبكات العصبية الرسم البياني
في بيانات الخرائط على المهام ذات الصلة، خريطة تصنيف هي مهمة ولكن لا يحل المشكلة تماما من الخير، وصعوبة لها هو كيفية تحقيق مستوى تجميع العمليات على بيانات الخريطة العالمية يمثل الرسم البياني وبالتالي الحصول على "شبكات التلافيف الرسم البياني مع EigenPooling "يعطى التفكير التشغيلي الجديد.
3 تطبيقات GNN ذات الصلة
في السنوات الأخيرة، حيث أن دراسة متعمقة التمثيلية للتكنولوجيا الذكاء الاصطناعي لصناعة جلبت التغييرات الجديدة. جعلت تطبيق التكنولوجيا انجازات كبيرة في ثلاثة مجالات رئيسية من الرؤية والكلام، والنص، وهذا النجاح هو جزء لا يتجزأ من عمق هذه الأنواع الثلاثة من تعلم تقنيات مخصصة نموذج البيانات أعمال التصميم. من خارج ثلاثة أنواع من البيانات، بيانات الخارطة هو تمثيل البيانات على نطاق أوسع، من المبالغة القول أنه بدون بعضها البعض وجود أية بيانات في عزلة في مشهد، والعلاقة بين هذه البيانات يمكن محاولة شكل التعبير. يوضح الشكل التالي بعض البيانات باستخدام الرسم البياني المشهد:
كيفية تعيين التعلم البيانات وتقنيات التعلم العميقة جنبا إلى جنب مع عمق أصبح على الاحتياجات العاجلة والحرجة. في هذا السياق، وصعود خريطة تكنولوجيا الشبكة العصبية هو بمثابة الريح الشرقية، لأول مرة يسمح لنا أن نرى عمق تطبيقات تعلم الفجر على بيانات الخريطة. في الواقع، في العام الماضي، GNN مواصلة تقديم سيناريوهات التطبيق، والتي تغطي رؤية الكمبيوتر، والرؤية 3D، ومعالجة اللغة الطبيعية، والبحث العلمي، وخرائط المعرفة، والتوصيات، وغيرها من مكان الحادث لمكافحة الغش، ونحن هنا مفردات ملخص.
3.1 الرؤية الحاسوب
بعد بضع سنوات عبر الباب أمام التعرف البصري، والمنطق المتعلقة مهمة البصرية أصبحت فإن القلق الرئيسي هو أعلى CV الرئيسية، مثل: مسابقة البصرية، والمنطق البصري، والدلالي الاصطناعية الرسم البياني، والتفاعل البشري بين وجوه، وحتى المهام الأساسية مثل البصرية، يحتاج الكشف عن وجوه أيضا إلى استخدام المنطق لتحسين الأداء. في هذه المهام، وقد ظهرت تطبيق GNN الأعمال ذات الصلة بأعداد كبيرة. هنا لدينا الأسئلة الأكثر شيوعا ويجيب مهمة البصرية هو موضح في "العلاقة لإدراكا الرسم البياني الاهتمام شبكة سؤال الرد البصرية" قدمت ورقة الرسم التخطيطي لطراز GNN جنبا إلى جنب مع البصرية:
في الشكل، والمؤثرات البصرية ولاستخراج نموذج الدلالي نظرا المنطقة صورة، وقدمت هذه المناطق دلالات معا كعقد في الرسم البياني، لدراسة نموذج GNN الاستدلال، مثل هذه الطريقة من النمذجة، يمكن إصدار أكثر فعالية بتكيف البصرية الأسئلة والأجوبة المنطق.
سيناريو آخر للاهتمام هو ضئيلة أو معدومة عينة الدراسة عينة، منذ بموجب هذا السيناريو هو عدم وجود عينة، وكيفية الاستفادة الكاملة من المعلومات ذات الصلة المحتملة (مثل العلامة جمعية الدلالات المرتبطة تعبير عن طبقة الكامنة) بين عينات أصبح حاسما أدخلت الاعتبارات GNN أصبح العمل الطبيعي جدا، والعمل ذات الصلة "إعادة النظر في المعرفة الرسم البياني دعوة لصفر شوت التعلم"، "الرسم البياني الشبكة العصبية لقلة شوت تعلم وضع العلامات الحافة".
3.2 الرؤية 3D
3D الرؤية غير توجها هاما آخر من تطوير رؤية الكمبيوتر، 3D العالم، وكيفية جعل أجهزة الكمبيوتر على فهم العالم 3D، له قيمة عملية مهمة للغاية. رؤية 3D، البيانات سحابة نقطة هو تمثيل البيانات شائع جدا.
وعادة ما يتم تمثيل بيانات نقطة سحابة من جانب مجموعة من تنسيق نقطة (س، ص، ض)، لأن هذه البيانات خريطة العالم الحقيقي الكائنات الميزات، هناك دلالات الكائن المتأصلة في هيكل تميز البوب، مثل هيكل تعلم أيضا GNN هو جيد في. وتجدر الإشارة إلى أنه من المهم، شعبية في الرؤية الهندسة 3D تعلم الهندسة التعلم، والتعلم الهندسي المعاصر وGNN كما ينقسم سحابة نقطة في بعض المشاهد، والاعتراف نقطة سحابة هو عمق التكامل والأوراق ذات الصلة "الإلتواء الرسم البياني الاهتمام لسحابة نقطة تجزئة "،" الرسم البياني الدلالية شبكات التلافيف ل3D الإنسان بوز الانحدار ".
3.3 معالجة اللغات الطبيعية
GNN جنبا إلى جنب مع البرمجة اللغوية العصبية، والنقطة الأساسية هي أن GNN أيضا ممتازة القدرة على التفكير. GNN في بعض الحالات، مثل: القراءة والفهم، والتعرف على كيان واستخراج العلاقة، تحليل التبعية لها تطبيقات. هنا لدينا قراءة متعددة هوب (موضوع الهيب القراءة)، على سبيل المثال، متعدد هوب، قال القراءة في عملية القراءة والفهم، وغالبا ما يتطلب قفزة متعددة المراحل المرتبطة المنطق بين وثائق متعددة من أجل الحصول على الجواب الصحيح بالمقارنة مع مجموعة البيانات السابقة واحد وثيقة Q، وهي مهمة تحدي أكثر انفتاحا والمنطق. يظهر الشكل التالي متعددة هوب عينة يلي:
في "المعرفي الرسم البياني للموضوع هوب القرائي في مقياس" في مادة واحدة، يمكن للمؤلف بيرت وتنفيذ على أساس GNN التعامل بفعالية مع HotPotQA الملايين بيانات من الوثائق المتعلقة متعددة هوب مشاكل القراءة، F1 مشترك على النتيجة المتصدرين لل 34.9، في حين أن النتيجة المركز الثاني من 23.6 فقط.
المشهد 3.4 البحوث
إذا كنا اعتبار العقد في ذرات الرسم البياني، وينظر حافة السندات الكيميائية، ثم الجزيئات يمكن وصفها بأنها واحدة في FIG. ويتمثل هذا في الأساليب الجزيئية FIG، يمكن دمجها في العديد من السيناريوهات البحوث GNN العملية، مثل التنبؤ موقع التفاعل البروتين، والتنبؤ من المنتجات التفاعل الكيميائي، هذه السيناريوهات تسهل تركيب سريع دراسة القدرة عمق في تناول تطوير الدواء، وتطوير المواد وغيرها من الصناعات لتحسين كفاءة R & D.
في "حلبة-GNN: الشبكات العصبية الرسم البياني لتصميم الدوائر الموزعة" المادة، مؤلف GNN دمجها في تصميم الدوائر عالية التردد (على سبيل المثال، شرائح 5G) المشهد، وتحسين كبير في كفاءة الخصائص الكهرومغناطيسية للمحاكاة الدوائر. ويبين الشكل التالي تخطيطيا للنظام:
3.5 الخرائط المعرفة
كما خريطة المعرفة في حد ذاتها هي بيانات الخرائط، خرائط المعرفة + GNN مزيج من الطبيعة أصبح وسيلة جديدة لحل مشكلة أنواع مختلفة من خريطة المعرفة. العلاقات الانتهاء أو مشكلة التنبؤ هو كبيرة خريطة القاعدة المعرفية المهمة، يمكنك يعزز كثيرا من طيف كامل من المعرفة من خلال المنطق مكملا للعلاقة جودة التطبيق، ويبين الشكل التالي مثالا للعلاقة بين إنجاز:
في ورقة "تعلم التضمينات للتنبؤ العلاقة في الرسوم البيانية المعرفة القائم على الانتباه"، ويختار المؤلف في تصميم نموذج لخريطة المعرفة مع GNN، استنادا إلى المنطق العلاقة يتضاعف ثلاث مرات وحدها، النهج القائم على GNN يمكن أن أفضل لاستخلاص مقارنة مع الثلاثة السابقة الصفوف (tuple) مجمع حي والمعلومات وضع الضمنية، هذه الميزة لاستكمال العلاقة إنجاز مهمة لها دور مهم جدا.
رسم خرائط المعرفة محاذاة كيان هي نوع آخر من العمل، نظرا المزيد من خريطة المعرفة، تحتاج إلى تحديد الكيانات التي تم وصفها في الخريطة منها هو نفس الكائن، من أجل انجاز هذه المهمة الجمع بينهما بشكل صحيح في خريطة واحدة كبيرة من المعرفة. ورقة "متعدد القنوات الرسم البياني الشبكة العصبية للكيان محاذاة" يعرض محاذاة برنامج قائم على الكيانات GNN، والتجارب تبين أنه في مجموعات بيانات متعددة، حقق البرنامج على أفضل النتائج.
في السنوات الأخيرة، نمت المعرفة التعيين في زخم الصناعة، في هذا السياق، فإننا ندعو أيضا لخريطة الأعمال خريطة المعرفة، في ورقة "أهمية تقدير عقدة في الرسوم البيانية المعرفة باستخدام الشبكات العصبية الرسم البياني"، مؤلف GNN الاستخدام الناجح للتكنولوجيا أطلس النمذجة صناعة السينما، والتنبؤ في التأثير على شعبية الفيلم أداء جيدا للغاية.
وبالإضافة إلى ذلك، خرائط المعرفة مع الحصادات النظام الموصى بها أصبحت في الآونة الأخيرة اتجاه أكثر شعبية، وهذا جزء من نظام توصية يمكن الرجوع إلى المقطع التالي لشرح.
3.6 توصية النظام
الموصى بها هي وسيلة الإيرادات الرئيسية للشركة الإنترنت مهم جدا، الكثير قد تشعر بالقلق إزاء الصناعة والأوساط الأكاديمية مزدوج. على مدى السنوات القليلة الماضية، من التنمية في وقت مبكر من النظام توصية التعاونية تصفية خوارزمية لنموذج MF، على نطاق واسع وعميق بعد ذلك الحين، والنهج القائم على شبكة التضمين يمكن بوضوح ينظر على أساس نهج الشبكة العصبية هو تهيمن تدريجيا، في حين أن GNN يظهر، مرة أخرى تسارعت بشكل كبير هذا الاتجاه التكنولوجيا.
في مثال على منصة الأعمال الإلكترونية الموصى بها، النواة نظام توصية البيانات التي يقوم المستخدم - التفاعل مخطط ثنائي المنتج الرسم البياني، ومعظم الشبكة العصبية على أساس خريطة رسم كيانين في مساحة ناقلات مناسبة للذهاب، بحيث بعد FIG من الكيانين مسافة أقرب في الفضاء ناقلات هي أيضا وثيقة، كما هو مبين أدناه:
GNN نفسه هو نموذج العمق، ثم يتحد مع نظام التوصية، يمكن متعددة GNN نموذج التقاط أفضل التآزر ترتيب أعلى بين المستخدم والمنتج، ورقة "العصبية الرسم البياني التعاونية تصفية"، والكتاب تثبت أن متعدد الطبقات GNN تعزيز فعالية جلبت "ديب" و "النظام العالي" للاستفادة نوعية الموصى بها.
بالإضافة إلى توصية البحوث نموذج خوارزمية النظام نفسه، فكرة أخرى كيفية جعل نظام التكامل توصية فعال في حصول على معلومات إضافية، معلومات عن الشبكات الاجتماعية مثل معلومات العميل نهاية سلعة خريطة المعرفة المنتج. تتضمن هذه المعلومات عادة ما علاقة قوية، وبالتالي يمكن للمستخدم بشكل طبيعي جدا - متزامر FIG معا لتشكيل المنتج أكبر دخل الاثنان FIG. يظهر الشكل التالي التخطيطي بالتعاون مع الفيلم على رسم خرائط المعرفة:
مصدر https://arxiv.org/pdf/1902.06236.pdf
ومع أن التجريد بيانات الخريطة، أن يوصي إدخال نموذج GNN سيصبح خيارا طبيعيا، والأوراق ذات الصلة KGAT: "المعرفة الرسم البياني الاهتمام شبكة لتوصية"، "Metapath موجهة غير المتجانسة الرسم البياني الشبكة العصبية للتوصية نوايا "،" توصية الاجتماعي عبر شبكات الاهتمام الحيوي الرسم البياني "وهلم جرا الدورة القائم.
آخر مهم جدا، وأنه يرتبط ارتباطا وثيقا مع سيناريو العمل الموصى بها ذات الصلة النظام هو الإعلان من خلال النقر (CTR) توقعات سعر الفائدة. العينة في هذا السيناريو عادة يتكون من البيانات الميزة في العديد من المجالات، مثل مجال المستخدم، معدات الحقول، والإعلان، المجال وهلم جرا، وكيفية تصميم نموذج التفاعل ميزة بين هذه الحقول البيانات، أصبح جوهر المهمة. ترتبط مؤخرا بناء على خصائص الشبكة العصبية مباشرة معا بين مختلف المجالات ومن ثم إرسالها إلى نموذج الشبكة الطبقة العليا، من أجل الحصول على أعلى التفاعلات ترتيب بين هذه المجالات، وهذا الربط غير منظم بسيطة، وسوف يحد بشكل كبير من القدرة على التعلم من هذا النموذج. في "واي فاي GNN: نمذجة التفاعلات ميزة عبر شبكات الرسم البياني العصبية لCTR التنبؤ"، وهو النص، والعلاقة بين مجالات شكل رسم بياني معا (في الشكل أدناه ميزة الرسم البياني)، يليه مجال مختلف الميزات النمذجة GNN بين النظام أعلى التفاعلات المعقدة، مقارنة مع الطراز السابق حقق أفضل النتائج.
3.7 الاحتيال
الغش هو كبرى عمليات أعمال الشركة وتسويق فرضية ضمان السير العادي للعمل، وعادة ما تواجه مشكلة الاحتيال وتشمل: البريد المزعج، في المرتبة الغش والمعاملات الاحتيالية، وجمع الصوف، وسرقة الحساب وهلم جرا. وراء هذه الغش غالبا ما يكون أسود عصابة إنتاج مشترك لارتكاب الجريمة، زيادة كبيرة في تكلفة مكافحة عمليات مكافحة الغش.
معظم استخراج البيانات العلائقية هو الأكثر منظور التنمية التجارية الهامة تكنولوجيا مكافحة الغش، سواء كان على أساس تحليل الارتباط من مخاطر الاحتيال انتقال لا يزال يستند على بنية وضع عصابة سوداء من إنتاج التعدين، وخطط الأعمال هي الأداة المفضلة للموظفين لمكافحة الغش. وفي هذا السياق، أصبح GNN الفضاء جدا للعب. على سبيل المثال، في ورقة "غير المتجانسة الرسم البياني الشبكات العصبية للكشف الحساب الخبيثة" GNN استخدام المستخدمين Alipay لتحديد الكشف عن الغش، "كشف مراجعة البريد المزعج مع شبكات التلافيف الرسم البياني" في استخدام GNN إلى التعليق على المملح تحديد الاحتيال الأسماك.
4 GNN مفتوحة المصدر ملخص المشروع
في 2019، في مجال الرؤية من ظهور العديد من المشاريع مفتوحة المصدر جديدة، قد تحسنت بشكل كبير بعض المشاريع مفتوحة المصدر الحالية.
وفي يناير كانون الثاني علي الأم إطار مفتوح المصدر يولر الدعم أولا المحلي الصناعية الصف عمق تعلم العديد من المفيد المدمج في خوارزميات الرسم البياني. مشروع العنوان: https://github.com/alibaba/euler
في مارس، وقد اقترحت الجامعة الألمانية التقنية من العلماء دورتموند Pytorch الهندسية، وهو البديل للنموذج إلى تحقيق العديد من GNN، فمن المستحسن من قبل الاخ الاكبر يان ليكون بعد على الخط. مشروع العنوان: https://github.com/rusty1s/pytorch_geometric
في مايو، وإطار التعلم الرسم الشهير DGL سراح نسخة v0.3 (تحديث الآن إلى الإصدار 0.4.1، وشغل أيضا الكثير من نموذج GNN المتغيرات)، وكانت النسخة 0.3 زيادة كبيرة جدا في الأداء، مقارنة مع 0.2 نسخة من التدريب 19 مرات أسرع، في حين دعم مائة مليون مقياس الخريطة تدريب الشبكة العصبية. مشروع العنوان: https://github.com/dmlc/dgl
في ديسمبر، أعلن أستاذ جوري ليسكوفيتش في جامعة ستانفورد مفتوحة المصدر المفتوح الرسم البياني المعيار في NeurlPS 2019 أمام الجمعية العامة، يمكننا تقييم أفضل مؤشرات الأداء النموذجي مجموعة البيانات هذه. مشروع العنوان:
وفي الشهر نفسه، أطلقت المعرفة مختبر الهندسة، جامعة تسينغهوا (KEG) خريطة واسعة النطاق تمثل مجموعة التعلم CogDL، يسمح للباحثين والمطورين لمقارنة والتدريب للتصنيف عقدة، والتنبؤ، وصلات إشارة أو مهام أخرى أكثر سهولة الرسم نماذج مخصصة. مشروع العنوان: https://github.com/THUDM/cogdl/
وبالإضافة إلى هذه المشاريع، مشروع أطروحة اثنين من الرسم البياني ذات الصلة على جيثب هي أيضا جيدة جدا، وسوف تلخص قمة رئيسية جميع الأوراق ذات الصلة في السنوات الأخيرة، وجمع في الوقت المناسب جدا من كامل، ونحن نوصي الاهتمام: https://github.com/naganandy/graph المستندة العميقة التعلم-الأدب وhttps://github.com/DeepGraphLearning/LiteratureDL4Grap ساعة.
5 توقعات
واستشرافا للمستقبل، فإن أفضل شيء هو بالتأكيد GNN سوف لا تزال تحافظ على زخم التطور السريع الآن. من وجهة نظرية الرأي، مبدأ تفكيكه باستمرار، والخصائص المرتبطة عدم وجود GNN، ثم وضعت على تحسين وتطوير المقابلة إلى الأمام، غير جديرة جدا من اهتمامنا. وبالإضافة إلى ذلك، فإن الأبحاث على مجموعات البيانات القياسية المستخدمة GNN، مثل كورا، مجلات، وهذه مجموعات البيانات في مشهد واحد، غير متجانسة كافية لتقييم بدقة نموذج GNN معقدة، من أجل حل هذه المشكلة، وجامعة ستانفورد والأخيرة الآخر مفتوح المصدر ومن المتوقع أن تحسن كثيرا من هذا الوضع، في ظل نظام التقييم الجديد، التي يمكن أن تعمل تبرز OGB مجموعة البيانات القياسية، دعونا ننتظر ونرى.
في السيناريو، وأعتقد أننا يمكن أن يحقق أكثر الابهار العمل GNN، بالإضافة إلى التفكير البصري، وأشر التعلم السحابية، المنطق العلاقات، والبحوث، وخرائط المعرفة والتوصيات والاحتيال وغيرها من المجالات لها تطبيقات واسعة، ولكن في بعض الحالات الأخرى مثل التنبؤ حركة التدفق، والتصوير الطبي، والتحسين اندماجي، وما إلى ذلك، كانت هناك بعض GNN الأعمال ذات الصلة. وعلى العموم، مدى دقة وفعالية على حد سواء بيانات الخرائط والجمع بين GNN الى مكان الحادث ذات الصلة، تحتاج الأمور إلى التركيز على النظر في الطلب، وأعتقد أن العام المقبل سيكون هناك المزيد من مثل هذا العمل لتوسيع حدود تطبيق GNN.
المؤلف:
ليو تشونغ يو، وتخرج من جامعة هواتشونغ للعلوم والتكنولوجيا، وكبار خريطة خبير تكنولوجيا الشبكة العصبية، تكنولوجيا الذكاء الاصطناعي القطب اختبار مدير المختبر وكبير مسؤولي التكنولوجيا. في تعلم الآلة، ومناطق التعلم والدراسة العميقة خريطة لديها أكثر من 6 سنوات من الهندسة المعمارية وتجربة التنمية الخوارزمية، الشركة الرائدة في مجال البحث والتطوير خبرة تطرفا التحقق السلوك، يعرف السيطرة على المخاطر التجارية، وتراكب وغيرها من المنتجات.
مع الطفرة في رسم الشبكات العصبية تظهر على فهم واتقان المبادئ التقنية ذات الصلة من مخطط الشبكة العصبية فقد أصبح الاتجاه في المستقبل من عمل منظمة العفو الدولية ذات الصلة. ليو تشونغ يو والفريق التقني حيث كتب "المواطن العادي خريطة الشبكة العصبية" والمدرجة في كتاب مؤخرا، والذي هو معرفة أساسية من الكتب الشبكة العصبية والمبدأ الأول من نظام لشرح هذا الرقم لدخول تريد ممارسة وخريطة أولية تقنية الشبكات العصبية القراء المهتمين في تعلم النظام والعصبية تكنولوجيا الشبكة القراء الشكل.
