斯坦福大牛Jure Leskovec：图神经网络研究最新进展（附PPT下载）

昨日，除了刷屏的“双十一”与AAAI 开（放）奖（榜），斯坦福大牛Jure Leskovec 正好到访清华，学术君的朋友圈是一片喜气洋洋呐……

Jure Leskovec 有多火，来张现场图瞅瞅……

bAFrMzE.jpg!web

Jure Leskovec有多厉害？

uMvqAzI.jpg!web

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。

IfQnqyV.jpg!web