【CMU博士论文】图深度学习：应对可扩展性、隐私性和多模态挑战

文章预览

来源：专知 本文 为论文介绍 ，建议阅读 5 分钟 在本论文中，我提出从四个维度使DLG更加实用。 图结构无处不在，从电子商务到知识图谱，抽象出个体数据实体之间的交互。运行在图结构数据上的各种实际应用程序需要为图的每个部分——节点、边、子图和整个图——提供有效的表示，以编码其基本特征。 近年来，图上的深度学习（Deep Learning on Graphs，DLG）通过学习图表示，在各个领域取得了突破性进展，成功捕捉了图中潜在的归纳偏差 。然而，这些突破性的DLG算法在应用于实际场景时，有时会面临一些局限性。首先，由于只要在存在实体交互的领域中都可以构建图，因此实际中的图往往是多样化的。因此，每一个新的应用程序都需要领域专家的参与和繁琐的超参数调优工作，以找到最优的DLG算法。其次，实际中的图的规模不断扩大，甚至达到 ………………………………