(資料圖片僅供參考)

圖神經(jīng)網(wǎng)絡(luò)(GNNs)是一種神經(jīng)網(wǎng)絡(luò)架構(gòu)，旨在學(xué)習(xí)從圖到向量空間的映射。由于它們?cè)趯?shí)踐中的成功，它們已經(jīng)成為節(jié)點(diǎn)、圖和點(diǎn)配置預(yù)測(cè)任務(wù)的流行機(jī)器學(xué)習(xí)模型。在本次演講中，我們總結(jié)了關(guān)于廣泛使用的消息傳遞GNN和高階GNN的近似和學(xué)習(xí)特性的最新理論成果，重點(diǎn)關(guān)注函數(shù)近似、估計(jì)和泛化以及外推。一路上，我們接觸了各種各樣的聯(lián)系，包括圖同構(gòu)、等變函數(shù)、局部算法和動(dòng)態(tài)規(guī)劃。

https://www.youtube.com/watch?v=W4-K9-wZkVA

Stefanie Jegelka是麻省理工學(xué)院EECS系X-Window聯(lián)盟職業(yè)發(fā)展副教授，也是計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室(CSAIL)的成員。在加入麻省理工學(xué)院之前，她是加州大學(xué)伯克利分校的博士后研究員，并在蘇黎世聯(lián)邦理工學(xué)院和馬克斯普朗克智能系統(tǒng)研究所獲得博士學(xué)位。Stefanie曾獲得斯隆研究獎(jiǎng)學(xué)金、國(guó)家科學(xué)基金會(huì)職業(yè)獎(jiǎng)、DARPA青年教師獎(jiǎng)、德國(guó)模式識(shí)別獎(jiǎng)和ICML最佳論文獎(jiǎng)。她的研究興趣橫跨算法機(jī)器學(xué)習(xí)的理論和實(shí)踐，包括離散和連續(xù)優(yōu)化，離散概率和結(jié)構(gòu)化數(shù)據(jù)學(xué)習(xí)。

關(guān)鍵詞： 編程算法 機(jī)器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 深度學(xué)習(xí) 人工智能