0
字幕組雙語原文：【干貨】圖神經網絡的十大學習資源分享
英語原文：Top 10 Learning Resources for Graph Neural Networks
圖神經網絡（GNNs）是深度學習的一個相對較新的領域，從最近開始越來越流行。Twitter、Google或Facebook等大公司都會開始對于GNN投入研究，事實證明了GNN優于其他使用圖數據的機器學習模型。
由于此領域的發展非常迅速，GNN背后的知識還不是那么容易獲得。目前，你可以在互聯網上以研究論文、文章或博客的形式找到散落在各地的GNN理論。我們缺乏的是一本GNN書籍，或者是一本在線資源匯編，來幫助人們進入了解這個領域的工作。
經過一番搜索，我發現其實有幾個相當不錯的資源，以一種容易理解的方式來解釋GNN。希望對這個領域的新人有所幫助。讓我們開始吧!
Graph Representation Learning Book
本書是改變游戲規則的書，目前可以在線下載的預出版的版本。本書從圖理論和傳統圖方法等初級課題開始，到前沿GNN模型和最先進的GNN研究等高級課題。本書設計精巧，自成體系，擁有圖神經網絡所需的大部分理論。
這是斯坦福大學專門研究基于圖的機器學習的課程。它有公開的幻燈片，從他們的講座以及推薦閱讀列表。如果你想系統地學習一門結構良好的課程，這將是一個很好的選擇。
Network Science by Albert-László Barabási
這是一本提供在線交互式的書籍，主要介紹圖和網絡理論。雖然它沒有討論GNN，但它是獲得在圖數據上操作的堅實基礎的極好資源。
How powerful are Graph Convolutional Networks?
由GNN領域最著名的研究者之一--Thomas Kipf博士創建的一個優秀博客。在他的文章中，他輕描淡寫地介紹了GNN，提供了最新方法的文獻回顧，并討論了他的論文— Semi-Supervised Classification with Graph Convolutional Networks.
Michael Bronstein是倫敦帝國理工學院的教授，也是Twitter的圖學習研究的負責人。最近，他開始在Towards Data Science發表文章。他的博客文章主要以數學視角關注GNNs以及該領域的最新發展。他往往會引用許多其他關于GNNs的文章，這可能會幫助你發現其他有趣的文章。
Deep Learning for the Life Sciences
雖然這里并不完全是關于GNN的內容，但本書的部分內容提供了基于GNN模型的實際應用。它解釋了如何使用生命科學的深度學習庫--Deepchem將GNNs應用于分子數據集。它還進一步討論了GNNs的不同預處理方法。
Flawnson Tong - Towards Data Science
Flawnson在Medium上發表了幾篇關于GNN的介紹性的文章。它們針對的是那些想對圖神經網絡背后的理論有基本了解的初學者。如果你想一窺GNNs是什么，這將是一個很好的選擇。
這是一個近期GNN論文的匯編倉庫，包含了這個領域已發表的大部分論文。他們將列表細分為單獨的主題，比如我們。如果你正在查找GNNs特定細分應用的論文，這個倉庫值得一試。
Papers with Code - Papers With Code : Search for graph neural networks
Paperswithcode是一個大家都很熟悉的網站，它將研究論文與其代碼一起分享。如果你想找到已經有代碼實現的GNN模型，這是一個不錯的地方。
A Comprehensive Survey on Graph Neural Networks
這篇研究論文總結了GNNs中的大部分的重要發現，簡要概述了GNNs背后的歷史，并討論了不同類型的GNN架構。
雷鋒字幕組是一個由AI愛好者組成的翻譯團隊，匯聚五五多位志愿者的力量，分享最新的海外AI資訊，交流關于人工智能技術領域的行業轉變與技術創新的見解。
團隊成員有大數據專家，算法工程師，圖像處理工程師，產品經理，產品運營，IT咨詢人，在校師生；志愿者們來自IBM，AVL，Adobe，阿里，百度等知名企業，北大，清華，港大，中科院，南卡羅萊納大學，早稻田大學等海內外高校研究所。
如果，你也是位熱愛分享的AI愛好者。歡迎與雷鋒字幕組一起，學習新知，分享成長。
