高赞人气资源!集结数百篇顶会论文,由浅入深让你吃透图深度学习
铜灵 发自 凹非寺
量子位 出品 | 公众号 QbitAI
一份图神经网络的学习资源,在推特上发出后反响强烈,超过800人为其点赞,不少网友在评论区表示感谢送出“好人卡”。
这份资源名为Literature of Deep Learning for Graphs(图深度学习文献),顾名思义里面整理了大量图深度学习论文,大多数都被顶会收录,数量有上百篇。
这些论文包含从节点表示学习到图嵌入再到图神经网络及其应用,从易到难,是一份容易上手的全方位资源。
一份暑期必备的图神经网络优质资源,走过路过不容错过了。
内容丰富
这份图神经网络文献共分为8个部分,从节点表示学习开始层层递进,一直讲到图标是学习系统和相关数据集为止。
这8个部分分别为:
节点表示学习图嵌入知识图神经网络图神经网络的应用图形生成图形布局和高维数据可视化图表示学习系统数据集如果想了解图深度学习,这8个分类可以成为指导自己进一步找资料攻克的大方向。
除了8个大方向外,部分章节又进行了细分,比如在应用章节,又分成了NLP、计算机视觉、推荐系统、链接预测、影响预测、神经架构搜索、强化学习等方向。
而这份资源的最闪亮的地方,就是将这些不同方向已经发表的论文进行了整理,分门别类得放上了论文的标题、作者、关键词和地址链接。
这些大多是已经发表在各种竞赛和顶会上的高影响力论文,画风是这样的:
这样的:
这样的:
整理数百篇土深度学习的论文还分成不同的类别,肯定下了不少工夫。
华人作者
这份资源出自华人之手,蒙特利尔高等商学院的助理教授唐建和他的学生们。
其个人网站上显示,唐建是深度学习大牛Yoshua Bengio教授领导的MILA深度学习小组的成员之一,关注深度学习、图神经网络、自然语言理解和推理、药物发现和推荐系统几个方面。
唐建在北京大学博士毕业后,奔赴密歇根大学和卡内基梅隆大学的博士后。2014年-2016年在微软亚洲院担任过副研究员。
此前,唐建的的多项研究被各大顶会收录,包括ICML 19、ICML 19、IJCAI 19、ICLR 19、AAAI 19等。
附上其个人主页地址:
https://jian-tang.com/
传送门
GitHub地址:
https://github.com/DeepGraphLearning/LiteratureDL4Graph
- 免责声明
- 本文所包含的观点仅代表作者个人看法,不代表新火种的观点。在新火种上获取的所有信息均不应被视为投资建议。新火种对本文可能提及或链接的任何项目不表示认可。 交易和投资涉及高风险,读者在采取与本文内容相关的任何行动之前,请务必进行充分的尽职调查。最终的决策应该基于您自己的独立判断。新火种不对因依赖本文观点而产生的任何金钱损失负任何责任。