0
近些年來，AI 領域對圖神經網絡（GNN，Graph Neural Networks）的關注越來越高，尤其是自2019年開始，GNN 更是成為各大學術頂會最熱門的主題之一，不僅相關主題的論文數量迎來了井噴式增長，相關主題的 Workshop 也成為了會議中最亮眼的存在。
作為圖結構數據的深度學習架構，GNN能夠將端到端學習與歸納推理相結合，被 AI 界普遍視作有望解決深度學習無法處理的因果推理、可解釋性等一系列瓶頸問題的重點研究方向。
然而世界上并不存在萬效藥，GNN 也存在其內在的局限性，目前研究界也正在從理論和應用實踐層面對此進行研究。
北京大學和香港科技大學攜手在KDD 2020 上發表的這篇工作“Graph Structural-topic Neural Network”，便著眼于GNN 在處理網絡局部子結構方面的局限性，進行了深入研究。
論文地址：https://www.gjsong-pku.cn/files/KDD_GraphSTONE.pdf
以高效地對節點鄰域特征進行聚合為長的 GNN ，雖然可以聚合鄰域內的節點特征，但無法高效地提取和表征鄰域內的子結構特征（例如 Graphlets等高階的結構模式）。而此類結構特征（Local Structure）卻在社交網絡、生物網絡、分子網絡等信息網絡中是極為重要的結構特征。
因此，研究 GNN 的這一局限性，并找出解決方案，非常意義！
本次直播中，兩位作者——來自北京大學信息科學與技術學院的研究生龍晴晴以及來自香港科技大學計算機科學與工程系的博士生金逸倫將給大家分享解決這一問題的技術思路：通過主題模型描述圖結構，包括圖主題模型（Graph Anchor LDA）、多視圖圖神經網絡（Multi-view GNN）等關鍵技術點。
現在正在研究 GNN 這一領域或者將來想探索這一研究主題的同學們，可千萬不要錯過哦~
直播主題：圖結構主題神經網絡
分享嘉賓：龍晴晴、金逸倫
分享時間：6月27日（周六）20:00
分享提綱：
問題背景：圖神經網絡，及其對圖局部子結構的表征
目前圖神經網絡的研究現狀和不足
技術思路：通過主題模型描述圖結構，包括圖主題模型（Graph Anchor LDA）、多視圖圖神經網絡（Multi-view GNN）等關鍵技術點
模型實驗效果與分析
總結
線上分享將在「KDD 2020 交流群」中進行，加群方式：添加AI研習社頂會小助手（AIyanxishe2），備注「KDD」，邀請入群。入群后將會公布直播鏈接。
專題
