资料|【斯坦福大学Jure Leskovec】图神经网络GNN研究进展：表达性、预训练、OGB，71...

近年来，深度学习领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图网络已经成为各大深度学习顶会的研究热点。GNN 处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。但是，大部分的图网络框架的建立都是基于研究者的先验或启发性知识，缺少清晰的理论支撑。

Jure Leskovec

Jure Leskovec，是斯坦福大学计算机学院的副教授，也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。在谷歌学术搜索（Google Scholar）上，Jure拥有接近4.5万的论文引用数量，H指数为84。

本次报告涉及到的论文：

• The Graph Neural Network Model
• Inductive Representation Learning on Large Graphs
• Hierarchical Graph Representation Learning with Differentiable Pooling
• How powerful are Graph Neural Networks?
• PGNN: Position-Aware Graph Neural Networks
• Strategies for Pre-training Graph Neural Networks

报告下载连接：

https://static./misc/pdf/graphsage2-mit-nov19.pdf