课程描述
图神经网络（GNN）是图结构上支进行信息处理网络体系结构。它们已被开发并作为卷积神经网络（CNN），我们在本课程中主要介绍，该卷积神经网络用于处理时空信号。根据学生对神经网络（NN）和深度学习的了解程度，这句话听起来可能很奇怪。CNN不只是NN的特殊情况吗？GNN并非如此吗？从严格意义上讲，它们是，但是本课程的关注点是涉及高维信号的大规模问题。在这些场景中，NN无法缩放。CNN为时空信号提供可扩展的学习。GNNS支持对图上支持的信号进行可扩展的学习和聚合。
课程资料：https://mp.weixin.qq.com/s?__biz=MzIxNDgzNDg3NQ==&mid=2247489458&idx=1&sn=7b95bbc9134c29f15b4ddb71abba4b58&chksm=97a0dc66a0d7557078c9fd9d467e392ce58215561e2f4cff8b9ff52c083940bdc51d7d8f10af&token=1222766599&lang=zh_CN#rd
在本课程中，我们将介绍图卷积滤波器和图滤波器组，然后继续研究单特征和多特征GNN。我们还将介绍相关的架构，例如循环GNN。将特别强调研究置换的等方差和图形神经网络变形的稳定性。这些特性提供了一种可以凭经验观察到的有关GNN良好性能的解释方法。我们还将研究大量节点中的GNN，以解释GNN在具有不同节点数的网络之间的可传递性。
课程首页
https://gnn.seas.upenn.edu/
课程主讲人
课程大纲
课程视频截图
课程资料：https://mp.weixin.qq.com/s?__biz=MzIxNDgzNDg3NQ==&mid=2247489458&idx=1&sn=7b95bbc9134c29f15b4ddb71abba4b58&chksm=97a0dc66a0d7557078c9fd9d467e392ce58215561e2f4cff8b9ff52c083940bdc51d7d8f10af&token=1222766599&lang=zh_CN#rd
