资源|最新图表示学习进展分享
点击上方“AI遇见机器学习”,选择“星标”公众号
重磅干货,第一时间送达一、资源简介
今天,推荐一份关于图表示的资料。这就是Google图挖掘团队的两位高级科学家Alessandro Epasto和Bryan Perozzi在Google AI Blog上发表的最新长博文《图表示学习中的创新》,介绍了最新的一些图表示学习成果。其中,Bryan Perozzi是大家所熟悉的DeepWalk算法的作者。
图是表达能力强大的数据结构,在互联网和物理实际中随处可见,如社交网络和蛋白质网络等。图分析在聚类、链接预测等机器学习应用中扮演着基础的角色。另外,网络表示是什么,以社交网络为例,网络表示就是将网络中的点用一个低维的向量表示,并且这些向量要能反应原先网络的某些特性,比如如果在原网络中两个点的结构类似,那么这两个点表示成的向量也应该类似。
二、主要内容
文中主要讲述了:
- 图表示学习简介
- 离散表示到连续表示(DeepWalk)
- 论文《Is a Single Embedding Enough? Learning Node Representations that Capture Multiple Social Contexts》讲述
- 论文《Watch Your Step: Learning Node Embeddings via Graph Attention》讲述
- 多Embedding方法Splitter
- 基于图注意力网络的自动超参数优化
三、资源分享
同时为了方便大家,我们把最新资料打包好了,可以直接下载哦~
获取方式:
1. 关注我们的公众号“AI遇见机器学习”
2. 后台回复“图表示学习创新” 即可以获取资料哈~(建议复制,避免错字)
推荐阅读
欢迎关注我们,看通俗干货!
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。