图表示学习教程(AAAI-19-Tutorial)

简介：
图表示学习教程是于AAAI-19会议上提供的一份教程材料，专注于讲解如何将图数据转换成低维向量表示，并应用于机器学习模型中。 图表示学习是一种新兴的计算机科学领域，它通过数学或机器学习方法在低维空间中对图结构数据进行编码以实现有效的处理与分析。2019年AAAI会议上，William L. Hamilton及来自蒙特利尔大学、HEC大学和Mila的研究人员Jian Tang分享了这一领域的最新进展。 他们提到的Mila是魁北克学习算法研究所，由深度学习先驱Yoshua Bengio领导，并专注于深度学习与强化学习研究。该实验室拥有30多位教授（14位核心成员）以及约300名研究生，在提供博士后、博士、硕士和实习生职位方面具有优势。 在图表示学习的框架下，图作为一种通用语言被用于描述并建模复杂系统中的数据类型，包括社交网络、经济网络及生物医学网络等。这类结构化数据的表示学习使节点与边之间复杂的关联性能够在低维空间中得到编码，并有助于自动化执行分类、聚类和链接预测在内的机器学习任务。 在教程示例中提及了C. elegans神经系统中的高级簇，这是一种线虫模型生物，因其有限数量的神经元及突触连接而被广泛用于研究。图节点代表神经元，边则表示它们之间的联系。通过分析这些网络结构，研究人员能够揭示大脑内信息传播模式、识别关键角色神经元并探究认知过程。 图表示学习的核心在于它允许在低维空间中对图形中的节点进行编码，并保留原始的结构和属性信息。这种表现形式可以是无监督或有监督机器学习的结果。例如，可以通过随机游走或其他拓扑特征算法生成节点嵌入来捕捉复杂的交互关系。 作为图表示学习的一个子领域，图深度学习利用神经网络架构（尤其是深层模型）来进行图形数据的学习与处理。这包括通过图卷积网络(GCN)和图注意力网络(GAT)等方法来获取局部及全局层次化结构的丰富信息，特别是在分析大型复杂系统时具有重要价值。 在AAAI 2019教程中，William L. Hamilton 和 Jian Tang 强调了这一领域对未来研究的重要性及其对不同科学与工程领域的潜在影响。此外还讨论了如何将这些方法应用于实际问题，并展望了未来的发展方向和挑战。图表示学习为处理以图形形式存在的大量数据提供了强大的工具，在自然语言处理、生物信息学及计算机视觉等领域中具有广泛应用前景。