图如何双曲建模?弗吉尼亚理工Amazon最新WWW2022「双曲神经网络:理论、架构和应用」教程

简介: 图如何双曲建模?弗吉尼亚理工Amazon最新WWW2022「双曲神经网络:理论、架构和应用」教程

【新智元导读】TheWebConf即将召开,来自弗吉亚理工和亚马逊等学者的《双曲神经网络》教程,值得关注!


TheWebConf是中国计算机学会(CCF)推荐的A类国际学术会议,由国际万维网会议委员会(IW3C2)和主办地地方团队合作组织,每年召开一次,今年是第31届会议,本年度论文录用率为17.7%,



图是普遍存在的数据结构,广泛应用于许多数据存储场景,包括社交网络、推荐系统、知识图谱和电子商务。这导致了GNN架构的兴起,用于分析和编码来自图的信息,以便在下游任务中获得更好的性能。


虽然图分析领域的初步研究是由神经结构驱动的,但最近的研究已经揭示了图数据集特有的重要属性,如层次结构和全局结构。这推动了对双曲空间的研究,因为它们能够有效地编码图数据集中存在的固有层次。


随后,该研究也被应用到其他领域,如自然语言处理和计算机视觉,取得了令人惊叹的结果。然而,进一步发展的主要挑战是双曲网络的晦涩,以及更好地理解必要的代数操作,以扩大应用到不同的神经网络结构。


在本教程中,我们的目标是向网络领域的研究人员和实践者介绍欧几里得运算的双曲等变,这是处理它们在神经网络架构中的应用所必需的。


此外,我们描述了GNN架构的流行双曲线变体,如递归网络、卷积网络和注意力网络,并解释了它们的实现,而不是欧几里得网络。


此外,我们还通过图分析、知识图谱推理、产品搜索、NLP和计算机视觉等领域的现有应用来激发我们的教程,并将性能提高与欧几里得的同类方法进行比较。


演讲内容



专知

,赞10


目录


结构


讲者介绍



Nurendra Choudhary是弗吉尼亚理工大学计算机科学系的博士生,在导师Chandan Reddy博士的指导下,他的研究重点是图分析和产品搜索领域的表示学习。


他在WWW、NeurIPS、WSDM和COLING等顶级会议上发表相关论文。他获得了国际信息技术学院计算语言学硕士学位,期间他获得了2018年CICLING的最佳论文奖。



Nikhil Rao是亚马逊的一名高级科学家,他在那里从事大规模图建模和算法的研究,以改进亚马逊搜索。在加入亚马逊之前,他是帕洛阿尔托Technicolor AI Labs的研究员。


Nikhil的研究兴趣和专长包括大规模优化、数据建模和挖掘,以及开发利用数据结构的算法。Nikhil在顶级会议和期刊上发表了几篇论文。他获得了来自UT Austin的ICES博士后奖学金和IEEE最佳学生论文奖。他拥有UW Madison的电气和计算机工程博士学位。



Karthik Subbian是亚马逊的首席科学家,拥有超过17年的行业经验。他领导着一个由科学家和工程师组成的团队来提高搜索质量和信任度。


在亚马逊,他领导了一个由科学家和工程师组成的团队,利用社交网络结构及其交互来探索信息传播和用户建模问题。此前,他在IBM T.J. Watson研究中心的商业分析和数学科学部门工作,是Facebook的一名研究科学家和负责人。


他的专业领域包括机器学习、信息检索和大规模网络分析。更具体地说,网络中的半监督和监督学习、个性化和推荐、信息扩散和表示学习。他拥有印度科学研究所(IISc)的硕士学位和明尼苏达大学的博士学位,都是计算机科学专业。


Karthik获得了许多著名奖项,包括IBM博士奖学金、2013年SIAM数据挖掘(SDM)会议的最佳论文奖和2013年INFORMS Edelman桂冠奖。


教程节选



参考资料:

[1]Code Library: GraphZoo: Facilitating learning, using, and designing graph processing pipelines/models systematically.

[2]Choudhary, N., Rao, N., Katariya, S., Subbian, K., & Reddy, C. K. (2022, February). ANTHEM: Attentive Hyperbolic Entity Model for Product Search. In Proceedings of the International Conference on Web Search and Data Mining 2022. (pdf)

[3]Choudhary, N., Rao, N., Katariya, S., Subbian, K., & Reddy, C. (2021). Probabilistic Entity Representation Model for Reasoning over Knowledge Graphs. Advances in Neural Information Processing Systems, 34. (pdf)

[4]Choudhary, N., Rao, N., Katariya, S., Subbian, K., & Reddy, C. K. (2021, April). Self-Supervised Hyperboloid Representations from Logical Queries over Knowledge Graphs. In Proceedings of the Web Conference 2021 (pp. 1373-1384). (pdf)

[5]Chami, I., Ying, Z., Ré, C., & Leskovec, J. (2019). Hyperbolic graph convolutional neural networks. Advances in neural information processing systems, 32, 4868-4879. (pdf) Ganea, O. E., Bécigneul, G., & Hofmann, T. (2018). Hyperbolic neural networks. Advances in neural information processing systems, 5345-5355. (pdf) Shimizu, R., Mukuta, Y., & Harada, T. (2021). Hyperbolic neural networks++. Interna

相关文章
|
4天前
|
数据采集 存储 JSON
Python网络爬虫:Scrapy框架的实战应用与技巧分享
【10月更文挑战第27天】本文介绍了Python网络爬虫Scrapy框架的实战应用与技巧。首先讲解了如何创建Scrapy项目、定义爬虫、处理JSON响应、设置User-Agent和代理,以及存储爬取的数据。通过具体示例,帮助读者掌握Scrapy的核心功能和使用方法,提升数据采集效率。
28 6
|
3天前
|
数据采集 监控 数据可视化
Fortran 在单位网络监控软件数据处理中的应用
在数字化办公环境中,Fortran 语言凭借其高效性和强大的数值计算能力,在单位网络监控软件的数据处理中展现出独特优势。本文介绍了 Fortran 在数据采集、预处理和分析可视化三个阶段的应用,展示了其在保障网络安全稳定运行和有效管理方面的价值。
27 10
|
5天前
|
数据采集 前端开发 中间件
Python网络爬虫:Scrapy框架的实战应用与技巧分享
【10月更文挑战第26天】Python是一种强大的编程语言,在数据抓取和网络爬虫领域应用广泛。Scrapy作为高效灵活的爬虫框架,为开发者提供了强大的工具集。本文通过实战案例,详细解析Scrapy框架的应用与技巧,并附上示例代码。文章介绍了Scrapy的基本概念、创建项目、编写简单爬虫、高级特性和技巧等内容。
21 4
|
6天前
|
机器学习/深度学习 存储 运维
图神经网络在复杂系统中的应用
图神经网络(Graph Neural Networks, GNNs)是一类专门处理图结构数据的深度学习模型,近年来在复杂系统的研究和应用中展现了强大的潜力。复杂系统通常涉及多个相互关联的组件,其行为和特性难以通过传统方法进行建模和分析。
23 3
|
10天前
|
缓存 监控 前端开发
优化网络应用的性能
【10月更文挑战第21天】优化网络应用的性能
10 2
|
10天前
|
监控 安全 关系型数据库
如何设计高效网络应用?
【10月更文挑战第21天】如何设计高效网络应用?
12 2
|
10天前
|
机器学习/深度学习 人工智能 自动驾驶
深度学习中的卷积神经网络(CNN)及其应用
【10月更文挑战第21天】本文旨在深入探讨深度学习领域的核心组成部分——卷积神经网络(CNN)。通过分析CNN的基本结构、工作原理以及在图像识别、语音处理等领域的广泛应用,我们不仅能够理解其背后的技术原理,还能把握其在现实世界问题解决中的强大能力。文章将用浅显的语言和生动的例子带领读者一步步走进CNN的世界,揭示这一技术如何改变我们的生活和工作方式。
|
11天前
|
数据中心
|
5天前
|
机器学习/深度学习 自然语言处理 TensorFlow
深度学习中的卷积神经网络(CNN)及其应用
【10月更文挑战第26天】在这篇文章中,我们将深入探讨卷积神经网络(CNN)的基本原理、结构和应用。CNN是深度学习领域的一个重要分支,广泛应用于图像识别、语音处理等领域。我们将通过代码示例和实际应用案例,帮助读者更好地理解CNN的概念和应用。
|
3天前
|
弹性计算 Kubernetes Cloud Native
云原生架构下的微服务设计原则与实践####
本文深入探讨了在云原生环境中,微服务架构的设计原则、关键技术及实践案例。通过剖析传统单体架构面临的挑战,引出微服务作为解决方案的优势,并详细阐述了微服务设计的几大核心原则:单一职责、独立部署、弹性伸缩和服务自治。文章还介绍了容器化技术、Kubernetes等云原生工具如何助力微服务的高效实施,并通过一个实际项目案例,展示了从服务拆分到持续集成/持续部署(CI/CD)流程的完整实现路径,为读者提供了宝贵的实践经验和启发。 ####