0
近些年来，AI 领域对图神经网络（GNN，Graph Neural Networks）的关注越来越高，尤其是自2019年开始，GNN 更是成为各大学术顶会最热门的主题之一，不仅相关主题的论文数量迎来了井喷式增长，相关主题的 Workshop 也成为了会议中最亮眼的存在。
作为图结构数据的深度学习架构，GNN能够将端到端学习与归纳推理相结合，被 AI 界普遍视作有望解决深度学习无法处理的因果推理、可解释性等一系列瓶颈问题的重点研究方向。
然而世界上并不存在万效药，GNN 也存在其内在的局限性，目前研究界也正在从理论和应用实践层面对此进行研究。
北京大学和香港科技大学携手在KDD 2020 上发表的这篇工作“Graph Structural-topic Neural Network”，便着眼于GNN 在处理网络局部子结构方面的局限性，进行了深入研究。
论文地址：https://www.gjsong-pku.cn/files/KDD_GraphSTONE.pdf
以高效地对节点邻域特征进行聚合为长的 GNN ，虽然可以聚合邻域内的节点特征，但无法高效地提取和表征邻域内的子结构特征（例如 Graphlets等高阶的结构模式）。而此类结构特征（Local Structure）却在社交网络、生物网络、分子网络等信息网络中是极为重要的结构特征。
因此，研究 GNN 的这一局限性，并找出解决方案，非常意义！
本次直播中，两位作者——来自北京大学信息科学与技术学院的研究生龙晴晴以及来自香港科技大学计算机科学与工程系的博士生金逸伦将给大家分享解决这一问题的技术思路：通过主题模型描述图结构，包括图主题模型（Graph Anchor LDA）、多视图图神经网络（Multi-view GNN）等关键技术点。
现在正在研究 GNN 这一领域或者将来想探索这一研究主题的同学们，可千万不要错过哦~
直播主题：图结构主题神经网络
分享嘉宾：龙晴晴、金逸伦
分享时间：6月27日（周六）20:00
分享提纲：
问题背景：图神经网络，及其对图局部子结构的表征
目前图神经网络的研究现状和不足
技术思路：通过主题模型描述图结构，包括图主题模型（Graph Anchor LDA）、多视图图神经网络（Multi-view GNN）等关键技术点
模型实验效果与分析
总结
线上分享将在「KDD 2020 交流群」中进行，加群方式：添加AI研习社顶会小助手（AIyanxishe2），备注「KDD」，邀请入群。入群后将会公布直播链接。
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
专题
