图(卫星系统)进行神经网络:基础、前沿和应用程序雷竞技rebat

图结构化数据,如社交网络和分子图形在现实世界中是无所不在的。开发复杂的算法对图表示学习结构化数据拥有重大的研究价值,并使后续任务的顺利执行。图(卫星系统)进行神经网络提供了一种新颖的学习方式为结构化数据图表示,深层神经网络模型的扩展功能。这些卫星系统提供有效手段进行收购表示节点和图的水平。值得称道的代表学习能力的卫星系统导致了他们的实际意义进行广泛的应用程序,包括推荐系统,自然语言处理,和医疗。它已成为最热门的研究课题之一,吸引了显著增加的关注近年来机器学习和数据挖掘社区。尽管图神经网络获得非凡的注意力,挑战仍然当应用到其他领域,从理论的理解方法解释能力在实际工业场景中,从方法的可靠性和实用性能在一个特定的应用程序。

众多研究途径目前或预期未来的探索,每个提供有价值的进一步研究的机会。这些包括小说的发展模型根据未知的图结构,成分方面的增强在现有模型,解决动态图,探索可解释性和健壮性,等等。然而,考虑到快速增长的领域,达到全面了解图(卫星系统)进行神经网络的进步已经被证明是非常困难的。因此,我们认为上述桥梁的紧迫性和有一个专门收集期刊文献总结这些卫星系统。进行快速增长但具有挑战性的话题

本研究课题旨在汇集学术和工业研究人员从不同的背景和观点之上的挑战。感兴趣的主题包括:1)卫星系统理论和基本概念进行的全面了解;2)使用最先进的算法来探索主要卫星系统研究进行的最新进展;和3)深入研究未知的研究前景卫星系统的利用率和潜在的设计和检查进行GNN算法实际应用在现实世界中。

基础和先进的问题包括但不限于:
•表示学习图表。
•图神经网络在节点分类、图像分类、链接预测
•图神经网络的表达能力
•在图神经网络可解释性
•图神经网络对图像匹配
•图结构学习
•动态/增量graph-embedding
•学习表示异构网络、知识图
•深度图生成模型的一代
•图神经网络:AutoML
•Graph2seq、graph2tree graph2graph模型
•时空图预测和一代

这些应用程序和特定的主要但不限于:
•自然语言处理
•生物信息学(药物发现,蛋白质生成,蛋白质结构预测)
•图合成和分析和软件挖掘神经网络程序
•深度学习神经科学(大脑网络建模和预测)
•网络安全(身份验证图、物联网mal -制品传播)
•地理网络建模和预测(运输和移动网络、互联网、手机网络、电网、社会接触网络


主题编辑小姐郭和吴Lingfei受雇于IBM T.J.分别沃森研究中心和Pinterest inc .)。所有其他主题编辑声明没有利益冲突,研究课题。