【干货】图神经网络的十大学习资源分享

本文转自雷锋网,如需转载请至雷锋网官网申请授权。

图神经网络(GNNs)是深度学习的一个相对较新的领域,从最近开始越来越流行。Twitter、Google或Facebook等大公司都会开始对于GNN投入研究,事实证明了GNN优于其他使用图数据的机器学习模型。

【干货】图神经网络的十大学习资源分享

由于此领域的发展非常迅速,GNN背后的知识还不是那么容易获得。目前,你可以在互联网上以研究论文、文章或博客的形式找到散落在各地的GNN理论。我们缺乏的是一本GNN书籍,或者是一本在线资源汇编,来帮助人们进入了解这个领域的工作。 

经过一番搜索,我发现其实有几个相当不错的资源,以一种容易理解的方式来解释GNN。希望对这个领域的新人有所帮助。让我们开始吧!

1.由William L. Hamilton编写的图表示学习书籍

Graph Representation Learning Book

本书是改变游戏规则的书,目前可以在线下载的预出版的版本。本书从图理论和传统图方法等初级课题开始,到前沿GNN模型和最先进的GNN研究等高级课题。本书设计精巧,自成体系,拥有图神经网络所需的大部分理论。

2. 斯坦福课程笔记--机器学习与图

C224W|Home

这是斯坦福大学专门研究基于图的机器学习的课程。它有公开的幻灯片,从他们的讲座以及推荐阅读列表。如果你想系统地学习一门结构良好的课程,这将是一个很好的选择。

3.由Albert-László Barabási编著的网络科学一书

Network Science by Albert-László Barabási

这是一本提供在线交互式的书籍,主要介绍图和网络理论。虽然它没有讨论GNN,但它是获得在图数据上操作的坚实基础的极好资源。

4.Thomas Kipf博客

How powerful are Graph Convolutional Networks?

由GNN领域最著名的研究者之一--Thomas Kipf博士创建的一个优秀博客。在他的文章中,他轻描淡写地介绍了GNN,提供了最新方法的文献回顾,并讨论了他的论文— Semi-Supervised Classification with Graph Convolutional Networks.

5. Michael Bronstein博客

Michael Bronstein — Medium

Michael Bronstein是伦敦帝国理工学院的教授,也是Twitter的图学习研究的负责人。最近,他开始在Towards Data Science发表文章。他的博客文章主要以数学视角关注GNNs以及该领域的最新发展。他往往会引用许多其他关于GNNs的文章,这可能会帮助你发现其他有趣的文章。

6.生命科学领域的深度学习:将深度学习应用于基因组学,显微镜,药物发现等

Deep Learning for the Life Sciences

虽然这里并不完全是关于GNN的内容,但本书的部分内容提供了基于GNN模型的实际应用。它解释了如何使用生命科学的深度学习库--Deepchem将GNNs应用于分子数据集。它还进一步讨论了GNNs的不同预处理方法。

 7.Flawnson Tong博客

Flawnson Tong - Towards Data Science

Flawnson在Medium上发表了几篇关于GNN的介绍性的文章。它们针对的是那些想对图神经网络背后的理论有基本了解的初学者。如果你想一窥GNNs是什么,这将是一个很好的选择。

8.GNN最近的一些论文集合—Github仓库

thunlp/GNNPapers

这是一个近期GNN论文的汇编仓库,包含了这个领域已发表的大部分论文。他们将列表细分为单独的主题,比如我们。如果你正在查找GNNs特定细分应用的论文,这个仓库值得一试。

9.图形神经网络与代码

Papers with Code - Papers With Code : Search for graph neural networks

Paperswithcode是一个大家都很熟悉的网站,它将研究论文与其代码一起分享。如果你想找到已经有代码实现的GNN模型,这是一个不错的地方。

10.图形神经网络的综述

相关推荐