Pentru mai multe informații despre programele profesionale și postuniversitare de inteligență artificială de la Stanford, vizitați: https://stanford.io/3GwTmur
Jure Leskovec
Informatica, PhD
În această prelegere, oferim un cadru teoretic pentru a analiza puterea expresivă a GNN-urilor — capacitatea unui GNN de a distinge diferite structuri grafice. Mai exact, luăm în considerare dacă înglobările unui nod GNN pot distinge diferențele în structurile de vecinătate locale ale nodurilor. În acest scop, introducem noțiunea de grafice computaționale pe care un GNN le folosește pentru a genera înglobări de noduri. Această viziune asupra GNN-urilor conduce la o perspectivă cheie că puterea expresivă a unui GNN poate fi pe deplin caracterizată prin puterea expresivă a funcției de agregare a vecinilor pe care o folosește.
Pentru a urma programul cursului și programa, vizitați:
http://web.stanford.edu/class/cs224w/
Cursuri interesante:
- Stanford CS224W: Învățare automată cu grafice | 2021 | Cursul 3.3 – Încorporarea graficelor întregi
- Stanford CS224W: Învățare automată cu grafice | 2021 | Cursul 8.2 – Antrenarea rețelelor neuronale grafice
- Stanford CS224W: ML cu grafice | 2021 | Cursul 13.1 – Detectarea comunității în rețele
- Stanford CS224W: Învățare automată cu grafice | 2021 | Curs 6.3 – Deep Learning for Graphs
- Stanford CS224W: ML cu grafice | 2021 | Cursul 9.2 – Proiectarea celor mai puternice GNN
- Stanford CS224W: ML cu grafice | 2021 | Cursul 6.1 – Introducere în rețelele neuronale grafice
- Stanford CS224W: ML cu grafice | 2021 | Cursul 10.1-Incorporarea graficelor eterogene și a cunoștințelor
- Stanford CS224W: Învățare automată cu grafice | 2021 | Cursul 11.3 – Query2box: Raționamentul asupra KG-urilor
- Stanford CS224W: ML cu grafice | 2021 | Cursul 16.4 – Robustitatea rețelelor neuronale grafice
- Stanford CS224W: ML cu grafice | 2021 | Cursul 10.3 – Algoritmi de completare a graficelor de cunoștințe