機器之心報道
作者：魔王
最近，圖注意力網絡一作 Petar Veli kovi 在母校劍橋大學做了一場講座，介紹圖神經網絡的理論基礎。
圖神經網絡（GNN）是機器學習中最熱門的研究方向之一，在提出后的十幾年里被不斷擴展，先后發展出了圖卷積網絡、 圖注意力網絡、圖自編碼器、圖生成網絡和圖時空網絡等多個子領域。
最近，圖注意力網絡的第一作者 Petar Veli kovi 回到母校劍橋大學計算機實驗室做了一場主題為《圖神經網絡理論基礎》的講座。在演講中，Petar 嘗試從基本原理推導 GNN，介紹其在多個學科中的應用，并解釋 GNN 如何在多個研究路線中并行出現。
講座幻燈片地址：https://petar-v.com/talks/GNN-Wednesday.pdf
Petar 表示，這個演講「濃縮」了他 4 年 GNN 研究的精華，「這些年我用多種方式講授 GNN，現在我終于找到了最『自然』的講解方式。」他表示，這個 70 分鐘的講座既可以幫助初學者，也可以為 GNN 實踐者提供新的角度。
接下來，我們就來看 Petar 講了什么。
Petar Veli kovi ：我找到了最「自然」的 GNN 講解方式
分子是圖，交通地圖是圖，社交網絡也是圖。
Petar 首先介紹了現實世界中的圖、圖神經網絡的實際應用，以及 GNN 的相關庫和數據集等。
緊接著他展示了該講座的主要內容：
基于基本原理推導 GNN；
介紹 GNN 的多個獨立研究變體；
回顧：類 GNN 模型在 ML 研究歷史中的出現；
當下：目前的一些研究方向；
展望：GNN 如何泛化至圖結構輸入以外。
Petar 表示，該講座的內容基于其關于幾何深度學習的研究、麥吉爾大學助理教授 William Hamilton 的著作《圖表示學習》，以及 Yoshua Bengio、Marco Gori、Jürgen Schmidhuber 等多位研究者的工作。
基于基本原理推導 GNN
Petar 首先從基本原理定義 GNN，然后介紹了對 GNN 處理圖數據有用的特性，并列舉了一些示例。
GNN 的過去、現在與未來
Petar 介紹了 GNN 的發展過程與研究藍圖，及其在多個研究領域中的并行出現。例如，自然語言處理與 GNN。
