机器之心报道
机器之心编辑部
对于普通人来说,将自己的学位论文公布到社交媒体可能需要点勇气。但如果实力够硬,多少人检阅都是不怕的。最近,图卷积网络(GCN)的作者 Thomas Kipf 就公开了自己的博士论文,主题是「使用图结构表示的深度学习」,涵盖从图神经网络到结构发现等一系列深度学习热门话题,是他过去几年图神经网络方向研究的深度汇总。
提出了图卷积网络(GCN),用于执行图结构数据中节点的半监督分类任务;
提出图自编码器(GAE),用于图结构数据中的无监督学习和链接预测;
提出关系 GCN(R-GCN),将 GCN 模型扩展到具有多个边类型的有向关系图;
提出神经关系推断(neural relational inference, NRI)模型;
提出一个针对序列行为数据的结构发现模型:组合式模仿学习和执行(CompILE);
提出对比训练的结构化世界模型(contrastively-trained structured world model, C-SWM),用于在无监督的情况下从原始像素观察中学习环境的对象分解模型。
问题 1:针对图结构数据集上的大规模节点分类任务,我们能否开发出深度神经网络模型并提供高效实现?
问题 2:图神经网络能否用于链路预测和无监督节点表示学习?
问题 3:深度神经网络能否推断实体间的隐藏关系和交互,如物理系统中的力?
问题 4:如何改进神经网络模型,使之能够推断序列数据中的事件结构和 latent program description?
问题 5:深度神经网络能否通过与环境的交互,学会发现和构建对象、关系和动作效果的有效表示?